**ImageWAM：世界动作模型无需视频生成，图像编辑即可高效预测机器人动作**

_ImageWAM: Do World Action Models Really Need Video Generation, or Just Image Editing?_

> ImageWAM框架抛弃了传统世界动作模型依赖的视频生成，改用预训练图像编辑模型直接预测机器人动作。它仅建模动作相关的帧间变化，在推理时不解码目标帧，而是基于去噪缓存的紧凑上下文进行动作预测。实验表明，ImageWAM性能超越现有方法，计算量降至1/6，延迟降至1/4，注意力分析证实其关注任务相关区域。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-19 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.19531)