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。
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。
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)
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



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) | Wan2.1-14B | 79.2 | 81.7 | 52.1 |
| DreamZero | Wan2.1-14B | 63.9 | 61.7 | 10.4 |
| FRED (Ours) | Wan2.2-5B | 47.2 | 46.7 | 37.5 |
| AGRA | Wan2.2-5B | 41.7 | 31.7 | 10.4 |
| DiT4DiT | Wan2.2-5B | 16.7 | 16.7 | 0.0 |
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