GigaWorld-Policy-0.5：让世界动作模型更接近实时机器人控制

2026年7月16日阅读约 3 分钟

导语

世界动作模型（World Action Models，WAMs）近年来成为机器人策略学习中的一个重要方向。它的核心思想是：不要只让模型学习“下一步该做什么”，还要让模型理解动作会如何改变视觉世界。通过把未来场景演化作为监督信号，模型有机会学到更具物理约束的动作表示。

但问题也很明显：不少 WAM 在推理时会显式生成未来视频，再据此产生动作。这种做法虽然直观，却带来高昂计算开销，难以满足机器人闭环控制对低延迟的要求。GigaWorld-Policy-0.5 正是在这一痛点上继续推进。

从“生成未来视频”转向“动作中心”：该工作延续 GigaWorld-Policy 的思路，将未来视觉动态主要用于训练阶段，让模型通过预测和理解场景变化获得更好的动作表征；到了推理阶段，则采用 action-only decoding，只输出动作，避免显式生成视频。
混合 AC-WM 与 WAM 训练策略：在预训练阶段，GigaWorld-Policy-0.5 结合 Action-Conditioned World Modeling（AC-WM）和 WAM 训练。这样做的目标是加强视觉动态与机器人动作之间的耦合，使学到的动作表示更容易迁移到下游策略学习任务。
Mixture-of-Transformers 降低推理负担：模型引入 Mixture-of-Transformers 架构，将视觉动态建模与动作生成拆分给不同专家模块。在只需要动作输出的推理场景中，系统可以减少活跃计算量。论文摘要中提到，在本地 RTX 4090 设置下可达到 85 ms 推理延迟。
AutoResearch 辅助实验配置搜索：团队还使用基于智能体的 AutoResearch 流程，系统化搜索训练配置，减少超参数调试中的人工干预和时间成本。这一部分的意义不只在单个模型，也体现了机器人学习实验自动化的趋势。

GigaWorld-Policy-0.5 的价值不在于抛弃世界建模，而是在训练和部署之间重新分配计算：训练时充分利用未来视觉动态的监督价值，推理时避免把视频生成带入实时控制环节。这种设计更贴近机器人实际部署，因为真实机器人往往需要在传感、决策和执行之间快速循环。

从研究角度看，它也为 WAM 提供了一个更工程化的方向：世界模型不一定要在推理时完整“想象未来画面”，也可以把对未来的理解压缩进动作表示中。若这种范式在更多任务和硬件条件下得到验证，可能会推动具身智能系统从离线演示迈向更稳定的在线控制。

当然，素材中主要披露的是方法框架、延迟数字和实验结论概述，具体任务覆盖范围、对比基线细节和真实机器人表现仍需要阅读论文全文进一步判断。但就方向而言，GigaWorld-Policy-0.5 把 WAM 的关键矛盾——强监督与低延迟之间的取舍——放在了更清晰的位置。