ImageWAM：世界动作模型真的需要视频生成，还是只需要图像编辑？

世界动作模型 (WAM) 通常依靠视频生成来连接视觉世界建模和机器人控制。然而，基于视频的 WAM 面临三个耦合限制：密集的多帧未来词元使推理成本高昂，完整的视频预测将容量花费在与动作无关的时间和外观细节上，以及长期的未来想象可能会引入误导动作预测的错误。这些问题提出了一个简单的问题：世界行动模型真的需要视频生成吗？我们提出了 ImageWAM，这是一个简单的 WAM 框架，它将预训练的图像编辑模型重新用于机器人动作预测。与视频生成相比，图像编辑提供了更好的匹配先验：它只需要对目标帧转换进行建模，专注于与动作相关的当前到目标的视觉差异，并通过编辑预训练将任务指令基于局部视觉变化。实际上，ImageWAM 在推理时不会解码目标帧；相反，它在图像编辑去噪生成的 KV 缓存上为流匹配动作专家提供条件，将它们用作紧凑的世界动作上下文。 ImageWAM 的性能优于标准 VLA 基线，并且可以与竞争性 WAM 相匹配，无需在不同的模拟器和现实世界实验中进行额外的策略预训练。与基于视频的 WAM 相比，它还将 FLOP 降低至 1/6，延迟降低至 1/4。注意力分析进一步表明，编辑缓存专注于与任务相关的变化区域，支持图像编辑作为基于视频的世界动作建模的有效替代方案。