Long-WAM：扩展世界-动作模型的上下文
Long-WAM 是一套模型与系统框架，旨在实时机器人控制中利用更长的视觉历史。研究发现，当视频模型采用自回归方式预训练时，延长上下文带来的收益更大。在 RoboCasa GR-1 上，将上下文扩展至 19.2 秒后，成功率从 63.3% 提升至 78.7%；双向预训练未带来类似提升。Long-WAM 在 LIBERO-Long、RoboTwin 2.0 和 DOMINO 的对比方法中也取得最佳结果。流式编码和异步执行使其能够部署在多种 NVIDIA 平台及机器人上；在动态叠杯任务中，成功率达到 95%。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。