EWAM：以记忆、异常检测和动作修正实现闭环适配

在本文中，我们提出了增强型世界行动模型（EWAM），这是一种基于预训练且完全冻结的 Cosmos3 主干网络构建的闭环在线适应架构。 EWAM 完全在零样本任务协议下进行评估，主要致力于减少适应新任务布局所需的额外部署数据量。值得注意的是，在任何评估中都没有引入额外的特定于任务的演示集，并且没有在主干网络上执行 微调。其性能提升完全源于由四个插入的轻量级神经层组成的推理时协同推理机制：位于 Diffusion Transformer (DiT) 中间层的神经体验记忆层提供与任务相关的执行上下文；状态预测头之后的神经异常检测层实时监控预测状态与实际状态之间的差异；神经策略路由层根据异常严重程度动态选择直接执行、保守重规划或回滚恢复；神经动作校正层使用执行诊断来细化生成的动作块。与朴素特征融合不同，内存、异常检测和校正模块以可微分的方式深度集成到 Cosmos3 前向路径中，只有最终的路由决策是离散的监督决策。