内容摘要
世界—动作模型联合学习动作生成与未来状态预测，但视频或视觉潜变量通常只隐式表达交互几何，还可能保留与控制无关的外观信息。作者提出SkeleWAM，以机器人关节、物体中心和交互点组成的稀疏三维骨架表示操作场景。
方法从当前RGB-D观测与机器人本体状态在线构建骨架；训练时联合学习动作生成和未来骨架预测，以几何监督替代视觉重建。推理时移除未来预测分支，直接根据当前骨架与语言指令生成动作；辅助策略MAC从独立采样轨迹中选择与其他候选平均距离最小的一条，而非平均轨迹，也不需要奖励模型。
作者在完整LIBERO-Plus上评测，不对评测变体微调。在基于观测的设置中，模型以约57.1M参数达到85.9%总体成功率，比论文所比较的Cosmos-Policy高3.7个百分点。移除未来骨架监督后，成功率降至80.1%。真机实验覆盖五项任务，每种方法每项测试20次，SkeleWAM的任务成功率非加权均值为89%。但布局扰动下成功率仅66.6%，低于π₀.₅的84.1%，表明稀疏几何尚未充分解决空间布局泛化。
点评
作者消融支持将未来几何预测用作训练监督、而非推理必经步骤，为紧凑世界—动作模型提供了一条可研究的路线。
以上为作者论文评测，不能视为独立复现或通用操作能力证明；使用模拟器坐标的sim-state版本属于特权输入诊断参考，不应与观测输入结果混为一谈。
版本与核查范围
版本 2610.02120v1 · 原文定位与程序检查、独立上下文模型复核；不代表独立研究复现。。依据已核查材料整理；未运行模型或机器人。
原文与定位
- 原文链接 #abstract1.1；#abstract1.1；#abstract1.1；#S1.p3.1；#S4.SS1.SSS0.Px1.p1.1；#S1.p4.1；figcaption[70]；#S4.SS4.SSS0.Px2.p1.1；#S4.SS3.SSS0.Px1.p1.1；#S4.SS3.SSS0.Px2.p1.1；#S4.SS2.SSS0.Px1.p2.1；#S1.p4.1