AR-WAM：用于机器人操作的视觉条件代理就绪世界动作模型

随着人工智能代理的能力越来越强，代理驱动的机器人控制正在成为一种引人注目的范例。然而，流行的视觉语言动作（VLA）模型和世界动作模型（WAM）仍然依赖自然语言指令来指定操作任务，这是一个不适合代理驱动控制的界面：指称模糊，空间不精确，与代理固有的语言理解冗余，以及与执行的意图纠缠在一起。我们提出了 AR-WAM，一种视觉调节的、代理就绪的世界动作模型，它用两个互补条件取代语言：表示交互对象和位置的视觉基础提示（目标的边界框），以及指示要执行的原子技能的可学习操作词元。我们的紧凑型 0.5B 参数模型具有冻结的预训练视觉编码器且没有语言编码器，可以在解码动作的同时预测紧凑潜在状态内的场景演化，通过显式的、可监督的推理信号揭示策略的意图。与模型无关的兼容性层提供三个原语（检测、执行和查询），以便本地 VLM 或在线代理 API 可以直接驱动策略，并将长范围内存和闭环错误恢复委托给代理端。在 RoboTwin 2.0、RMBench 和真正的 Astribot S1 双臂平台上，AR-WAM 匹配标准操作的最强基线（平均成功率为 87.2%），并在依赖内存和真实机器人长视野任务上优于它们，成功率分别提高了 5.9% 和 36.7%，同时保持最低推理延迟（14.1 毫秒）。