DSWAM：一种用于精细机器人操作的双系统世界动作基础模型

arXiv 2026 36.1 method

TLDR

DSWAM结合世界动作模型执行器与视觉语言子任务规划器，实现精细机器人操作的任务分解。

评分理由

The paper addresses a clear gap in WAM-VLA comparison and introduces a dual-system approach. Strengths include real-robot experiments and a novel decomposition method; weaknesses are limited detail on the executor's video co-training and lack of explicit future video generation.

Read-first 评分解释

综合优先阅读分 36.1，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 30。

近期性 6%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

方法质量 18%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：基准、评估、结果

主题相关性 29%

42.9

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

可复现性 18%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：无

引用影响力 18%

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。引用数：0

引用速度 12%

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：0.00

研究版图角色

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：171。

关键词评分

world model

video world model

generative world model

world dynamics prediction

world simulator

interactive world model

model-based reinforcement learning world model

深度分析

创新点

双系统架构，结合系统1的世界动作模型执行器与系统2的视觉-语言子任务规划器，用于任务分解
在匹配条件下（DeMaVLA设置）实现WAM与VLA策略之间的公平真实机器人比较框架
集成TensorRT加速、异步执行和实时分块（RTC），用于实际真实机器人部署

方法

DSWAM使用系统1的WAM执行器，通过动作预测和视频联合训练进行训练，推理时直接预测动作块，无需显式视频生成。系统2的视觉-语言规划器可选地将粗略指令分解为可执行子任务，利用短期视觉历史和全局任务提示。该系统在真实机器人可变形操作基准（DeMaVLA）上进行评估，匹配了机器人、数据和评估标准，以实现与VLA策略的公平比较。

关键结果

摘要未报告具体的定量结果；它描述了系统设计以及为WAM与VLA之间公平真实机器人比较所建立的设置。

技术栈

TensorRTAsynchronous ExecutionReal-Time Chunking (RTC)

资源

论文