Long-WAM开源：探索世界动作模型的记忆与推理基建
世界动作模型从视频生成先验中继承世界知识，但要准确理解动态场景中物体的运动规律，几秒的视觉历史往往是核心依据。
对于机器人系统而言，是否需要类似“小脑”的记忆模块？相关研究结论是肯定的，且记忆的时长越长，效果越显著。
相关团队开源了Long-WAM，这是一次覆盖数据、模型到基础设施的全链路闭环探索，相关论文、代码、模型权重均已对外发布，同时附带了适配RTX 5090、DGX Spark、AGX Thor等硬件的推理内核。
研究过程中有几项发现超出预期。
记忆并非生物大脑的专属能力：在高动态任务中，短短几秒的上下文就蕴含着物体运动的关键信息；当拉长世界动作模型的上下文长度后，多项基准测试都呈现出清晰的性能缩放曲线。
不过，这种性能缩放特性仅存在于自回归架构中：研究人员用约1万小时的机器人操作视频和第一视角视频训练出LongLive2.0-Robot，其上下文越长性能越强；但如果用双向视频专家模型作为初始化，则无法观察到这种缩放效果。
另一项意外收获是动作流畅度的提升：在RoboTwin 2.0平台上，模型纯异步执行的成功率达到94.2%，同步执行则为94.4%，几乎没有性能波动；真机异步部署时的抖动幅度远低于其他同类模型范式，且未经过任何额外训练，这一特性可看作因果上下文带来的附加优势。
性能落地也是关键：研究人员通过NVFP4量化、KV复用、CUDA Graph、流式VAE以及设备级内核调优的整套方案，即使是IDM这类计算成本较高的预测范式，在RTX 5090上生成一个动作块的端到端时间仅为107.4毫秒，足以满足高动态物体的实时抓取需求。
当已有类似Astra的规划模型时，是否还需要专门的小脑模块？答案是肯定的：Astra模型在动态物体这类强实时场景中的响应延迟仍有优化空间，而将GPT-6 Astra负责规划、Long-WAM负责执行的组合方案，使RoboCasa365复杂组合任务的成功率从31.4%提升至54.4%，尤其是针对未见过的组合任务，提升幅度更为明显。
大脑模型的能力再强，也需要一个响应足够快的小脑模块来支撑实时执行。
在近期的相关技术分享活动中，相关团队的研究人员介绍了Long-WAM的核心探索，包括长上下文缩放仅在自回归视频预训练中出现的原因、因果上下文带来的异步控制平滑特性、如何让“先想象再行动”的逻辑适配边缘端的实时推理基础设施，以及Long-WAM作为快速带记忆的小脑，与Astra这类规划模型协同时的不可替代性。
