**DeltaWAM：面向双臂操作的增量世界动作模型**

_DeltaWAM: Delta World Action Models for Bimanual Manipulation_

> 现有世界动作模型（WAM）在训练时需预测密集未来帧，反复建模基本不变的画面，并把动作条件动态与外观噪声耦合；推理时又因用重型视频专家处理完整观测而拖慢少步动作生成。为此研究者提出 DeltaWAM，通过密集锚点、稀疏增量与动作三条流联合预测视觉增量与动作，并给出三种在表征与计算共享上不同的架构。同时提出 Streaming Delta Memory（SDM），用紧凑的观测增量更新缓存的锚点上下文，减少重型视频专家计算。在 RoboTwin 上，配合 SDM 的 DeltaWAM 将平均成功率从 Fast-WAM 的 81.3% 提升至 85.4%（干净场景），视觉随机化下从 75.8% 提升至 83.9%；三种架构使训练 FLOPs 降低 17.78%–23.77%，SDM 将单步推理延迟与 FLOPs 分别降低 36.57% 和 31.55%，真实世界评测中也取得最高总体成功率与归一化进度。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-09-25 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2609.28811)