# 世界模型不听话，是潜在动作被污染了

世界模型不听话，是潜在动作被污染了

完整文章：https://haiguangboy.com/posts/cd-lam

## 核心方法

↳ ① 三个去偏目标：SAM3 前景掩码做本体中心加权重建；caption 动词聚成 12 类粗基元做成对对比，让同基元转移跨场景仍靠近；free-bits KL 加零转移校准，把重复帧输入的潜变量模长压到普通转移的一个小比例以下。
↳ ② 三阶段：1k 步去偏 LAM，2k 步让世界模型适配新潜空间，最后用轻量 MLP 桥接入可执行动作。世界模型的架构、潜变量维度、条件化格式全程不改。

## 关键结果

· 编码器审计：零转移响应中位数 0.527→0.043，捷径泄露 0.151→0.014，而跨片段同基元对相似度基本不动——是定向去偏，不是一律缩小
· 动作跟随误差：潜动作阶段 2B 降 42%、14B 降 26%；接入机器人动作后再降 35%、30%
· 零动作干预下的残余运动，14B 从 9.36 掉到 2.18
· 适配更新少 12 倍以上；1 小时去偏数据就拿到 1000 小时档约八成的收益

## 边界

去偏阶段额外用了 SAM3 掩码和基元标签，基线没有，所以"只换潜在动作空间"在监督信号层面并不成立，也没做给基线同样监督的对照。核心指标是作者自定义的，多处评测设置各自独立、明说不可跨表比较。全部结论来自离线视频指标，没接进规划或策略评估的闭环。训练用了 96 张 H100。