# 世界-动作模型

世界-动作模型的预训练改从成对的人类演示里学：模型看一段演示的视频与动作，去预测另一段同任务演示的动作和未来画面，从而把场景外观与任务交互分开。此前同一段视频内的下一帧预测让上下文与目标共享场景、视角和采集来源，模型可以靠外观线索而不必学可迁移的交互。在MimicDroid上，跨视频预训练把Cosmos Policy的平均成功率从40.9%提到68.3%，未见布局一级从18.3%提到40.8%，且无需配对的机器人演示。

世界-动作模型的预训练改从成对的人类演示里学：模型看一段演示的视频与动作，去预测另一段同任务演示的动作和未来画面，从而把场景外观与任务交互分开。此前同一段视频内的下一帧预测让上下文与目标共享场景、视角和采集来源，模型可以靠外观线索而不必学可迁移的交互。在MimicDroid上，跨视频预训练把Cosmos Policy的平均成功率从40.9%提到68.3%，未见布局一级从18.3%提到40.8%，且无需配对的机器人演示。

该工作提出 AnyStep 世界动作模型框架：用冻结教师轨迹构造的区间目标做预算对齐的流图蒸馏，并训练一个轻量风险—收益调度器，从单次一步预览预测教师轨迹难度与各预算下的学生保真度，从而为每个动作块选择满足保真要求的最小去噪预算；在 RoboTwin 2.0 上对 Motus、FastWAM、LingBotVA 三个骨干分别减少平均去噪步数 60.2%、49.8%、85.28% 且平均成功率与全预算基线相差不超过 0.24 个百分点，同时把一步预算下的成功率分别提升 7.07、12.08、8.94 个百分点，并在六项真实机械臂任务上取得 1.67–6.14 倍的单次推理加速。

该工作提出 AnyStep 世界动作模型框架：用冻结教师轨迹构造的区间目标做预算对齐的流图蒸馏，并训练一个轻量风险—收益调度器，从单次一步预览预测教师轨迹难度与各预算下的学生保真度，从而为每个动作块选择满足保真要求的最小去噪预算；在 RoboTwin 2.0 上对 Motus、FastWAM、LingBotVA 三个骨干分别减少平均去噪步数 60.2%、49.8%、85.28% 且平均成功率与全预算基线相差不超过 0.24 个百分点，同时把一步预算下的成功率分别提升 7.07、12.08、8.94 个百分点，并在六项真实机械臂任务上取得 1.67–6.14 倍的单次推理加速。