内容摘要
作者提出闭环世界—动作模型 LoopWAM，从自身及其他已部署策略产生的成功、次优和失败轨迹中学习，而非只模仿成功行为。方法按数据来源分别采样视频与动作噪声，让部署轨迹中的低噪声动作帮助预测其视觉后果；再以质量条件引导和质量加权监督，降低对次优动作的模仿、屏蔽失败动作的直接监督，同时保留所有质量轨迹的视频监督。视频与动作令牌在同一次并行去噪中双向交互，使后果表征直接参与动作生成。训练循环将专家示范与累计部署经验合并，更新后再部署。
作者报告，在真机基准 RoboChallenge Table30-V2 上，三轮部署与训练使总体成功率从 23.67% 升至 43.33%，最终得分 56.80；在仿真基准 RoboTwin 2.0 和 RoboCasa365 上，未额外进行具身数据预训练，分别取得 94.5% 的平均成功率和 49.5% 的总体成功率。叠衬衫实验则从经过单任务专家后训练的模型出发，两轮部署改进将成功率由 13.20% 提高至 55.56%。
这些结果分别对应多任务学习与单任务后训练场景。
点评
提供一种利用混合质量交互历史的训练路径：失败轨迹仍可监督物理后果学习，而不必直接模仿其动作。
结果应按作者实验解读，不视为独立复现。榜单证据仅为评测时快照，不能代表持续排名；RoboCasa365 采用 50 任务评测，其未见组合任务成功率为 14.9%，不宜外推通用能力。
版本与核查范围
版本 2610.18873v2 · 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；#S3.SS2.p2.2；#S3.SS2.p2.3；#S1.p3.1；#S3.SS3.p1.2；#S4.SS2.p1.1；#S4.SS4.p2.1；#abstract1.1；#S4.SS4.p3.1；#S3.SS2.p4.3；#A2.p1.1；#S4.SS3.SSS0.Px3.p1.1