AI 研究助理

基于站内最新资料,回答 AI 前沿问题

回答带出处引用,支持多轮追问,当前页面内容会作为上下文

快速响应
AI 前沿跟踪
今日首页重点内容GitHub 趋势榜
领域
学术研究
大模型
具身智能
AI 基础设施
智能体 · Skill · MCP
机器人
多模态
自动驾驶
数据 / MLOps
AI 硬件
安全对齐
综述与报告
论文具身智能重点世界动作模型自蒸馏机器人策略视频表征

Self-Distilling Future Video Representations for World Action Models

查看原文(PDF)
AI 解读已生成 · AI 生成,数字以原文为准
AI 全文总结值得深入基于论文全文 4.0 万字 · 完整阅读

FRED 用自蒸馏把单步 VDM 表征对齐未来观测,人类技能迁移 50.0%(基线 19.4%)

WAM 中动作解码器直接依赖单步去噪得到的未来视频表示,但该表示未显式优化。FRED 将视频扩散模型视为未来表示生成器:学生编码器从纯噪声生成中间表示,EMA 动量教师从带噪未来观测提取目标,经逐补丁 softmax 投影后以 KL 散度自蒸馏对齐,并以短历史帧提供时间上下文,动作梯度不回传视频骨干。实验在 DROID 上训练后在真实新环境做零样本泛化,并与人类视频联合训练 OpenArm 人形机器人评估技能迁移,还在 RoboCasa 等仿真上做消融和表示学习比较。作者报告,14B 规模下,FRED 将域外任务成功率从同骨干 DreamZero 的 10.4% 提升至 52.1%,人机迁移任务成功率达 50.0%,最佳 WAM 仅 19.4%;消融确认自蒸馏与史条件互补,且噪声未来表示质量与控制成功率强相关。推理只做单视频前向,显著快于多步 DreamZero,并在 Wan 与 Cosmos 骨干上一致增益。

  1. 1FRED 用自蒸馏强化单步未来表征,14B 长程 81.7%
  2. 2人机共训后技能迁移 50.0%,指令跟随 97.2%
  3. 314B 解锁单步去噪 0.406s,比 DreamZero 快 8×

为什么重要 证明只需优化动作解码器实际读取的表征,即可用无动作标签人类视频共训并显著降真机推理延迟,对具身数据闭环直接可复用。适合 适合做机器人基础模型、WAM 训练与具身数据闭环的工程师/研究员。

指令跟随97.2%
域外任务52.1%
物体接地54.2%
推理加速8×
表征相关性r=0.89
来源
arxiv.org
发布
2026/10/23

中文(AI 翻译)

世界动作模型(WAMs)已成为利用预训练视频扩散模型的丰富时空先验来学习通用机器人策略的一种有前景的方法。最近的一类 WAMs 通过在一个单独的去噪步骤中提取中间未来视频表征,并以其为条件训练独立动作解码器,从而避免视频生成所需的昂贵迭代去噪,提高了推理效率。

这种设计使动作预测直接依赖于这些未来表征的质量。本文提出 FRED(通过带时间上下文的自我蒸馏进行未来表征学习),这是一个训练 WAMs 以在单个去噪步骤中从噪声改善未来视频表征质量的框架。

具体来说,FRED 使用自蒸馏,以从真实未来观测中提取的表征作为目标,从噪声中预测未来表征。我们进一步以历史观测为条件训练视频模型,为更好预测未来表征提供时间上下文。

在多种真实世界操作场景中,FRED 始终优于竞品 WAMs。它在零样本环境泛化下的长时程和分布外任务上取得了特别大的提升,并大幅改善人机技能迁移,在机器人训练数据中缺席、仅在人类视频中演示的任务上达到 50.0% 任务成功率,而最佳竞品 WAM 为 19.4%。

原文

World Action Models (WAMs) have emerged as a promising approach to learning generalist robot policies using rich spatiotemporal priors from pre-trained video diffusion models.

A recent line of WAMs improves inference efficiency by conditioning a separate action decoder on intermediate future video representations extracted from a single denoising step, avoiding costly iterative denoising required for video generation.

This design makes action prediction depend directly on the quality of these future representations.

In this paper, we introduce Future REpresentation learning via self-Distillation with temporal context (FRED), a framework that trains WAMs to improve the quality of future video representations from noise in a single denoising step.

Specifically, FRED uses self-distillation to predict future representations from noise, using representations extracted from ground-truth future observations as targets.

We further condition the video model on historical observations, providing temporal context for predicting future representations better.

Across diverse real-world manipulation scenarios, FRED consistently outperforms competing WAMs.

It achieves particularly large gains on long-horizon and out-of-domain tasks under zero-shot environment generalization, and substantially improves human-to-robot skill transfer, reaching 50.0% task success on tasks absent from robot training data and demonstrated only in human videos, compared with 19.4% for the best competing WAM.

  • DreamZero
    0.0%
  • Fast-WAM
    0.0%
  • AGRA
    0.0%
  • DiT4DiT
    19.4%

注释 · 所有 WAM 基线无人类共训时技能成功近零;FRED 共训后指令跟随 97.2%。出自 Table 2(b)

  • π0.5 3B
    0.261 s
  • GR00T 3B
    0.121 s
  • DiT4DiT 5B
    0.111 s
  • FRED 5B
    0.136 s
  • DreamZero 14B
    3.255 s
  • FRED 14B
    0.406 s

注释 · FRED 5B 默认输入 5 帧,仅比 1 帧 DiT4DiT 增加 1.2× 延迟。出自 Table 7

将 VDM 解释为未来表征生成器:学生从噪声生成 h,教师从噪声未来观测生成目标 hτ,历史观测作额外条件。
展示两套评测:DROID 训练后到新真实环境做零样本泛化;OpenArm 机器人演示与人类视频共训后评域内与技能迁移。
OpenArm 七任务分域内原子、域内复合、人类技能迁移三类,每任务展示同一 episode 初始与最终自我中心帧。
模型规模
5B / 14B
视频骨干
Wan2.2-TI2V-5B / Wan2.1-I2V-14B
动作解码器
16 层 / 24 层 DiT
特征层
19th 索引18 / 25th 层
历史帧
4
教师噪声
τ=0.25

深度总结

1 / 7
FRED 14B
零样本环境泛化对比· 表格

FRED 14B 长程 81.7%、域外 52.1%,均超同骨干 DreamZero 与 5B 基线。

方法骨干易长程域外
FRED (Ours)Wan2.1-14B79.281.752.1
DreamZeroWan2.1-14B63.961.710.4
FRED (Ours)Wan2.2-5B47.246.737.5
AGRAWan2.2-5B41.731.710.4
DiT4DiTWan2.2-5B16.716.70.0

注释 · 结果基于 DROID 训练、无环境特定微调;Fast-WAM 域外值原文排版异常,未列入。出自 Table 1