WAVE-0：让机器人在执行动作前先预测后果

导语

视觉-语言-动作（VLA）模型已经能够根据图像和自然语言指令完成多种机器人操作，但它们通常更像是在“直接决定下一步做什么”，而不是先判断动作会把环境带向哪里。世界动作模型（WAM）则强调未来预测，却往往需要昂贵的视频生成，或依赖大规模视频预训练。WAVE-0 提出了一条更轻量的折中路线：不生成像素级视频，而是在潜在空间预测动作后果，并让预测结果直接参与动作生成。

核心要点

• 连接 VLA 与世界模型。 WAVE-0 建立在预训练 VLA 之上，将视觉语言模型产生的潜在动作计划交给世界模型处理，再把预测得到的未来表征提供给动作专家。这样，语义理解、未来推演和动作执行被放进同一条推理链路。
• 避免昂贵的视频建模。 该框架使用一个 2.57 亿参数的世界模型，不要求像素重建，也不依赖大规模视频预训练。模型直接围绕真实机器人动作学习哪些潜在计划更可能带来合理结果。
• 采用反事实排序目标。 训练重点不是复原一段视频，而是比较不同动作及其潜在后果的优劣，使世界模型能够为动作选择提供方向性信号。
• 在多类基准上取得较高成功率。 WAVE-0 在 RoboTwin 2.0 上达到 91.47%，在 LIBERO 上达到 98.7%；在 LIBERO-Plus、LIBERO-Pro 和 LIBERO-Para 上分别达到 88.0%、61.4% 和 75.0%。在真实世界任务中，接入 WAVE-0 后，π₀.₅ 的成功率由 38.3% 提升至 73.3%。

意义与影响

WAVE-0 的关键价值不只是增加一个预测模块，而是改变了预测信息在策略中的位置：未来表征不再只是训练时的辅助目标，而是直接影响动作专家的输出。这为 VLA 从“识别指令并模仿动作”走向“评估动作后果再执行”提供了较清晰的工程路径。

当然，现有素材主要展示了方法设计和基准结果，尚不足以判断其在更复杂长时序任务、开放环境变化以及不同机器人平台上的泛化边界。总体而言，WAVE-0 说明潜在世界模型未必需要以高成本的视频生成起步；如果能够借助 VLA 的语义表示，并用动作层面的反事实信号进行训练，也可能为具身智能带来有效的未来感知能力。

来源：Hugging Face Daily Papers