**像世界模型一样思考，像 VLA 一样行动：将世界模型表征蒸馏进紧凑机器人策略**

_Think Like a World Model, Act Like a VLA: Distilling World-Model Representations into Compact Robot Policies_

> 该工作提出 THAW 方法，把世界模型对物理场景的 grounding 能力迁移到视觉-语言-动作（VLA）策略中，而无需在推理时生成未来。做法是在常规 VLA 训练中增加一个特征对齐项：先用冻结的世界模型对训练帧跑一遍并缓存其特征，学生策略只需对齐该缓存；训练时不加载教师模型，投影器训练后即丢弃，部署策略与未蒸馏基线完全一致，在消费级 RTX 5090 上约 32 ms、1.86 GB 即可运行。结果显示，0.8B 学生模型在 LIBERO 上达到 97.9%，在 RoboCasa-GR1 人形操作任务上从 48.2% 提升至 50.5%，并成功迁移到单臂与双臂真实硬件。该增益在学生规模、骨干网络、对齐层与教师模型变化下均保持稳定，说明其学到的是可泛化的表征先验，而非两个特定网络间的脆弱对齐。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-09-22 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2609.24682)