#综述

World Action Models 综述:给 WAM/VLA/世界模型『正名』,Dream Less, Act More

NUS 的综述试图终结社区对 World Action Models 的术语混乱:明确 WAM『不是带动作头的视频生成器』,提出『面向动作的未来』契约,给出两套分类(设计哲学视角:Render-and-Decode/Latent-Only/Video-Generation-Free;组件解剖视角:预测基底/动作耦合/骨干/部署四轴),并把每个 WAM 表达为统一 4 元组,讨论可交互性、因果性、持久性、物理合理性、泛化五种具身属性。

在具身智能 + 世界模型概念被各家厂商反复包装的当下,一篇把术语和边界讲清楚的综述很有必要。它点出的趋势——『生成更少的未来、只保留控制所需』——是对纯视频生成路线的纠偏:不必把整段未来渲染成像素,从潜空间/流/掩码直接解码动作可能更高效。对想入场具身的团队,这是一份难得的术语对齐与路线地图。