ProWAM：渐进视觉规划的世界动作模型

世界动作模型（WAM）通过从初始观测与指令联合预测未来视觉动力学与动作，已成为机器人控制的有前途范式。但现有WAM难以长程预测：生成稠密视频rollout效率极低。一些近期WAM改为预测单个未来帧而不生成完整视频，却忽略了如何朝目标推进。我们提出ProWAM，一个渐进式世界动作模型，联合预测动作与有序的稀疏视觉子目标序列，为整个任务执行中的动作生成提供显式视觉锚定。该设计自然可扩展：子目标预测可从大规模无动作视频学习，让视频骨干分担动作策略的复杂视觉规划。为高效生成动作，ProWAM仅执行一次视频骨干前向以缓存稀疏子目标特征，免去迭代全视频生成，重规划时只需轻量动作去噪。大量评估显示ProWAM具有更优分布外鲁棒性：仿真基准上在LIBERO-Plus（85.8%）与随机化RoboTwin（75.7%）刷新SOTA，相对最强基线增益至多+35.9%；RoboCasa365上成功率48.1%、困难的Composite-Unseen划分18.2%，总排名第4。关键的零样本真机实验中，ProWAM在新场景成功率达70.0%，较最强基线高+15.0（55.0%到70.0%，相对增益+27.3%）。结果证明了进度索引的视觉前瞻对闭环控制的价值。代码/项目页：https://sii-ferenas.github.io/ProWAM-page。