WAM-OPD：世界动作模型的同策略蒸馏

世界动作模型（WAM）将视觉未来预测与机器人动作生成耦合在一起，但加速后的学生模型可能在蒸馏过程中丢失任务能力，并在之后遇到离线数据中表征不佳的状态。我们研究同策略蒸馏（OPD）能否在不需要稀疏奖励强化学习的情况下修复这样的学生模型。我们提出WAM-OPD，一个面向视频优先WAM的、与部署一致的后期训练方案。学生在环境中行动，因此由学生自身决定历史分布；一个冻结的教师为这些学生历史标注连贯的视频与动作目标，而学生动作分支则在其自身生成的视频规划下训练，正如部署时那样。视频与动作联合损失更新共享主干中的轻量适配器，并辅以动作流匹配正则项。在RoboTwin 2.0上针对两个任务的初步研究中，已发布的一视频/一步动作Flash-WAM在HANDOVER MIC上的成功率从0.0%提升到58.3%，在PUT OBJECT CABINET上从16.7%提升到33.3%。这些面向特定任务的结果只是初步的能力证明，而非广泛或均匀泛化的证据。尽管如此，它们表明在学生引发的历史上施加密集教师监督，是视频优先WAM的一种有前景的后期训练接口。