# 推理时不用想象未来，机器人照样跑到91.8%！Fast-WAM拆穿了WAM的核心假设

训练视频目标，比测试时想象未来更关键

完整文章：https://haiguangboy.com/posts/fast-wam

## 核心方法

实验设计很干净，四个变体只改一个因素：
· Fast-WAM：训练时保留视频协同目标，推理时完全不生成未来帧，单次前向出动作
· Fast-WAM-Joint：训练和推理都联合去噪视频与动作
· Fast-WAM-IDM：先生成未来视频，再预测动作
· 无视频co-training：去掉视频训练目标，其余保持不变

换句话说，它不是问“世界模型有没有用”，而是把训练时的视频建模和推理时的未来想象拆开，单独看哪个才是真正贡献。

## 关键结果

RoboTwin结果：91.8% vs 90.6% / 91.3% vs 83.8%。
LIBERO结果：97.6% vs 98.5% / 98.0% vs 93.5%。

↳ 推理时想不想象未来，差距微乎其微；但移除训练时的视频目标，掉幅是前者的数倍。

真实世界证据更直白。Galaxea R1 Lite上的毛巾折叠任务里，移除视频co-training的变体成功率只有10%，完成时间也最长；三个保留视频co-training的变体之间差异有限。训练时不学习视频预测，才是真正的致命伤。

不想象未来还有额外红利：Fast-WAM推理延迟190ms，而先生成视频再决策的Fast-WAM-IDM需要810ms。4倍以上的速度差，足够支撑实时控制。

## 边界

这不是“推理时未来想象永远没用”的结论。Fast-WAM为控制变量省略了外层自回归rollout循环，聚焦单动作块生成；当前实验平台也主要是LIBERO、RoboTwin 2.0和一个真实毛巾折叠任务。大规模具身预训练数据和更大模型加进来后，这个结论是否仍成立，还没有答案。