ImageWAM：世界动作模型真的需要视频生成，还是只需图像编辑？

arXiv 2026 56.8 method, application

TLDR

ImageWAM利用图像编辑模型替代视频生成进行机器人动作预测，成本更低、延迟更短。

评分理由

The paper presents a novel approach that replaces video generation with image editing for world action models, achieving superior performance and efficiency in both simulator and real-world experiments. However, it lacks explicit discussion of limitations and potential dependencies on pretrained models.

Read-first 评分解释

综合优先阅读分 56.8，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 36。

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

引用影响力 18%

94.6

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。归一化引用分位：0.94589443

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：分析、基线、实验

主题相关性 29%

51.4

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：代码

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

基础论文前沿论文桥接论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：423。

关键词评分

world model

generative world model

video world model

interactive world model

world dynamics prediction

model-based reinforcement learning world model

world simulator

深度分析

创新点

提出ImageWAM框架，将预训练图像编辑模型用于机器人动作预测，而非视频生成。
利用图像编辑去噪过程中的KV缓存作为紧凑的世界-动作上下文，推理时无需解码目标帧。
证明图像编辑为世界-动作建模提供了更优的先验：目标帧变换、动作相关的视觉差异以及通过编辑预训练实现的局部化视觉变化。

方法

ImageWAM复用预训练的图像编辑模型，在去噪过程中生成KV缓存，用于条件化流匹配动作专家。推理时不解码目标帧。在模拟器和真实世界实验中进行评估，与标准VLA基线和竞争性WAM进行比较。

关键结果

ImageWAM在无需额外策略预训练的情况下，在模拟器和真实世界实验中优于标准VLA基线和竞争性WAM。FLOPs降至视频WAM的1/6，延迟降至1/4。

技术栈

Image Editing ModelFlow MatchingKV CacheVLA baselinesWAMs

资源

论文