QuantWAMs：为世界动作模型选择正确的校准粒度

世界动作模型（WAM）联合预测未来观测与动作，但其迭代去噪与闭环执行使高效部署成本高昂。现有训练后量化（PTQ）方法不太适合 WAM，因为它们依赖开环目标、同质的模型假设以及不反映部署实况的校准分布。我们提出 QuantWAMs，一个将量化决策与由模型结构、rollout 分布和任务目标共同定义的校准上下文对齐的 PTQ 框架。QuantWAMs 引入三种策略：共享基异常值校准，只在坐标兼容的模块间汇集激活证据；协同训练目标显著性，从视频—动作联合梯度计算经验 Fisher 分数，并在校准稳定的层粒度上分配权重精度；固定干预 rollout 审计，在不改变精度预算的前提下，利用可达的闭环状态修订去噪步保护调度。我们在 Fast-WAM 和 LingBot-VA 上，结合 RoboTwin 2.0、LIBERO 以及使用 AgiBot G2 的真机操作对 QuantWAMs 进行评估。在以 W4A4 为主的设置下，报告的仿真均值与 FP16 相差 0.2–0.7 个百分点。真机试验进一步验证了在三个操作任务上的部署可行性。对目标视频与动作模块，QuantWAMs 将峰值权重与激活内存降至 FP16 的约 29%，并提供 1.4–1.6 倍的模块级加速。