内容摘要
作者指出，联合视频—动作模型常采用计算较重的固定时域骨干，难以兼顾流式推理与稳定的长时程开环生成；联合训练还可能产生看似合理、却对动作响应较弱的未来。论文提出FLEX-WAM，统一动作生成与动作后果预测。
其块因果注意力在块内双向交互、跨块保持因果性，结合轴向注意力、KV缓存和分块扩散强制，无需重训即可在部署时调整延迟与吞吐量。训练先学习纯世界模型，再转向联合训练；通过平衡状态与动作损失的梯度，并以前向动力学弹性反馈调节世界模型模式采样，维护动作响应性。
作者展示了1024步联合状态—动作生成样例，所示轨迹保持视觉连贯。模型在蒙特卡洛树搜索中同时提出动作并模拟结果；OGBench视觉谜题4×4五项任务合计成功率为80%，但成功仅指想象终态达标，并非真实执行成功率。OpenArm初步部署利用预测与实际观测的差异识别纠错样本；利用这些样本持续改进仍属后续工作。上述结果来自作者论文，不应视为独立复现或通用能力证明。
点评
该作者论文展示了由同一模型提供动作提案与想象结果的规划路径，并将动作响应性作为联合训练中需要主动维护的能力。
1024步结果是所示样例的视觉连贯性证据，不能替代长期物理准确性验证；想象计划的真实执行及利用失配样本持续改进仍属未来工作。论文注明代码与检查点因匿名评审暂未提供，将在接收后发布，不能据此认定工程已经开放。本次材料未提供独立研究复现证据。
版本与核查范围
版本 2610.05483v1 · 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；figcaption[27]；#abstract1.1；#p6.1；#p5.1；#S3.SS3.SSS3.p1.1；#p7.1；figcaption[105]；#S3.SS4.SSS2.Px2.p1.1；#S3.SS1.p3.1；#S3.SS5.p1.1