ST-WAM: Semantic-Temporal World Action Model for Robust Manipulation under Visual Distribution Shifts

Summary

video-generative World Action Model (WAM) 把未来监督放在 VAE latent 空间，作者观察到它在视觉分布偏移下会把预测未来”拉回”训练域外观（称为 Training-Distribution Hallucination），于是不去修正预测未来，而是把冻结的 DINOv3 特征同时用在两个时间方向上：Dual-Space Future Experts (DSFE) 让 VAE future、DINO future、action 三个 DiT 组成 Mixture-of-Transformers 联合 flow matching，Current-Anchored Intent Retrieval (CAIR) 用 Qwen3-VL 抽出的当前视觉-语言上下文作 query，从近 4 帧 DINO history 检索意图 token 注入 action expert。推理时两条 future 分支被 attention mask 完全切掉，退化成 action-only policy。结果为 LIBERO 98.7%、RoboTwin 2.0 92.77%、零样本 LIBERO-Plus 72.8%（对照 Fast-WAM 51.5%），真机视觉偏移下 61.5% 对 Fast-WAM 25.8%。

Problem & Motivation

WAM 借视频预训练拿到 world-dynamics 先验，把未来视觉状态（通常是 VAE latent）与 action 联合建模，在标准 manipulation benchmark 上表现很强，但作者要问的是：这类 pixel-generative 未来监督在视觉分布偏移下还成不成立。

作者给出两条诊断：

Training-Distribution Hallucination：只在 LIBERO 上训练的 LingBot-VA 和 Fast-WAM-Joint 零样本跑 LIBERO-Plus 时，预测视频会逐步漂回 LIBERO 风格的背景与光照。规模化证据是一次人工审计：两个模型 × 三类偏移（background / illumination / camera viewpoint）× 各 30 个随机样本 = 180 条预测，70.6% “明显” 呈现该现象（C7）。原文没有给评审人数、评分细则或一致性统计，这是主观判读而非可复算的度量。配套的量化落点是 Fast-WAM / Fast-WAM-Joint 从 LIBERO 的 97.6% / 98.5% 掉到 LIBERO-Plus 的 51.5% / 59.0%——但这组数字引自第三方 robustness study（Zhang et al. 2026d），不是本文重跑（C16）。
表示层面的对照诊断：290 个 frame triplet（取自 LIBERO 与 LIBERO-Plus），每个 triplet = 同任务同机器人/物体状态但视觉条件不同的两张 initial frame + 同一条 demonstration 的 final frame（作为 different-state 参照）。度量是 cosine similarity：DINOv3 在 same-state 两帧间平均 0.904，Wan-VAE latent 只有 0.686；把 shifted initial frame 与另两帧比较时，DINOv3 在 95.2% 的 triplet 里更接近 state-matched clean frame（Wan-VAE 60.0%）（C8）。这是本文自建 setting，triplet 构造与更多细节被推给 supplementary，正文不足以复现。

注意本文用来定义问题的核心机制断言——“pixel-generative 未来监督把 action-relevant transition 与 task-irrelevant 视觉内容纠缠在一起”——在原文里始终是 hedged 措辞（“can entangle” / “potentially entangling”），没有任何直接测量 entanglement 的指标（C19）。支撑它的是上述人工审计、表示相似度诊断、attention 热图和下游成功率差异，都是间接证据。把这句当成已验证的因果机制会 overclaim。

Method

Problem formulation. 给定当前多视角观测 $o_{t}$ 、本体状态 $s_{t}$ 、语言指令 $ℓ$ ，预测 action chunk $a_{t : t + H - 1}$ ；另用长度 $M$ 的历史 $H_{t}$ 与未来观测 $o_{t + 1 : t + K}$ 。冻结的 Wan2.2 VAE 与 DINOv3 分别把观测编码到 $z^{v}$ / $z^{s}$ ，各自切成 current conditioning token 与 future prediction target。训练时建模联合分布 $p_{θ} (a, z_{fut}^{v}, z_{fut}^{s} ∣ o_{t}, s_{t}, ℓ, H_{t})$ ，推理时退化为 $π_{θ} (a ∣ o_{t}, s_{t}, ℓ, H_{t})$ 。

Dual-Space Future Experts (DSFE). 三分支 Mixture-of-Transformers：visual future DiT（用 Wan2.2 预训练的 Video DiT，保留视频预训练继承来的细粒度动力学）建模未来 VAE latent，semantic future DiT 建模未来 DINO 特征，action DiT 建模 action token。三支各有自己的参数与 prediction head，靠逐层 mixed attention 互相细化。

Structured cross-branch attention mask. 这是让”训练时多任务、推理时零开销”成立的关键设计：clean current VAE / DINO token 可以互相看但看不到 future 与 action，充当 leakage-free anchor；两条 noisy future 流可以看 current anchor 和彼此（跨空间互相细化），但与 action token 隔离；action token 只看两条 current 流和自己，不能读任何 future 流。因此推理时直接把两条 future 分支省掉不影响 action 生成。

Current-Anchored Intent Retrieval (CAIR). 冻结的 Qwen3-VL 抽当前观测+指令的末层多模态 hidden state $H_{t}^{q}$ ； $N_{I}$ 个可学习 query 通过 MHA 从 $H_{t}^{q}$ 得到 current semantic token $U_{t}^{0}$ （当前场景与指令的语义锚）。历史侧，冻结 DINOv3 抽 $M$ 帧 dense patch 特征，线性投影 + 可学习 temporal embedding 拼成 history token $R_{t}$ 。CAIR 用 $U_{t}^{0}$ 作 query、 $R_{t}$ 作 key/value 跑 $L$ 层 cross-attention，得到 short-horizon intent token $I_{t}$ ——作者明确说这是 label-free 的隐式摘要，不是被显式监督的变量。 $I_{t}$ 只注入 action expert 的 context（ $C_{a} = [C_{ℓ}; P_{p} (s_{t}); I_{t}]$ ），DSFE 两支的 context 保持 $[C_{ℓ}; P_{p} (s_{t})]$ 不变，因此 intent token 完全由 action flow matching 端到端优化。

Joint flow matching. 三支共用线性插值加噪与速度目标，两条 future 支共享同一 timestep $τ_{f}$ （因为它们通过 mixed attention 交换信息，需要同步去噪阶段），action 的 $τ_{a}$ 独立采样，三支噪声互相独立；总损失 $L = λ_{v} L_{v} + λ_{s} L_{s} + λ_{a} L_{a}$ ，权重取 (1.0, 0.02, 1.0)——semantic 支权重比另两支低 50 倍。

配置. visual future expert = Wan2.2-TI2V-5B 的 5B Video DiT，semantic 与 action expert = 从 Wan2.2 权重初始化的 1B DiT；Wan2.2 VAE 与 T5、DINOv3 ViT-S/16、Qwen3-VL-4B-Instruct 全程冻结。 $H = 32$ ， $K = 8$ （未来观测每 4 个控制步采一帧）， $M = 4$ （历史帧取 ${t - 24, t - 16, t - 8, t - 1}$ ）， $L = 2$ 、 $N_{I} = 8$ 。LIBERO 训 10 epoch（global batch 128），RoboTwin 2.0 训 5 epoch（global batch 1024），AdamW lr 1e-4、BF16、shifted flow schedule shift 5.0；推理 10 步 flow integration、执行 10 步后 replan。原文没有给出 ST-WAM 的总参数量或可训练参数量，也没有给任何 baseline 的参数量（C14）。

Key Results

LIBERO（Table 1）：四个 suite 平均 98.7%（Spatial 99.0 / Object 100.0 / Goal 99.0 / Long 96.8），表内最高；对照 LingBot-VA 98.5、LaWAM 98.6、GeoSem-WAM 98.6、Fast-WAM 97.6、Motus 97.7（C1）。这一档差距只有零点几个百分点，LIBERO 已近饱和。

RoboTwin 2.0（Table 2）：clean 93.06 / randomized 92.48 / avg 92.77，表内最高；对照 GeoSem-WAM 92.54、LingBot-VA 92.20、Fast-WAM 91.83、LaWAM 91.22（C2）。同样是零点几个点的量级。

零样本 LIBERO-Plus（Table 3）：overall 72.8%，Fast-WAM 51.5%、Fast-WAM-Joint 59.0%，差距 21.3 个百分点；提升覆盖全部七个扰动维度，camera 与 sensor-noise 上分别 +39.0 / +41.8 个百分点，且在六个非语言扰动上都超过 Fast-WAM-Joint（C3、C4）。这是本文最大的效果落点。可比性边界：Table 3 的 baseline 数字明确注明引自 Zhang et al. 2026d 与 Chen et al. 2026b，不是本文统一重跑；Table 1 / Table 2 则完全没有交代 baseline 数字的来源（既没说引用也没说复现），因此跨表的”同 backbone / 同数据量”无法从原文确认（C15）。ST-WAM 的确不用 embodied pretraining，而 Table 3 里被它超过的 OpenVLA-OFT (69.6)、RIPT-VLA (68.4)、X-VLA (71.4) 都用了——这一项是原文明确标注的（Emb. PT. 列）。

真机（Agilex Piper 6-DoF 单臂，5 个任务，每任务 50 条示教，每任务每条件 30 trial，三方法用同一批示教各自 post-train）：nominal 平均 79.3%，比 Fast-WAM 高 14.6、比 π0 高 32.0 个百分点；四类视觉偏移平均 61.5%，比 Fast-WAM (25.8) 高 35.7、比 π0 (32.8) 高 28.7；compound 偏移下 48.0 对 15.3。Fast-WAM 从 nominal 到 shifted 掉 38.9 点，ST-WAM 只掉 17.8 点（C5、C6、C18）。真机这组是本文唯一能确认”同示教、同流程”的对照。

推理开销：RoboTwin 2.0 上单张 A100-80GB、BF16、10 步 flow integration，20 次同步测量平均，ST-WAM 生成 32 步 action chunk 耗时 756.17 ms，Fast-WAM 609.30 ms，即 1.24×（C9）。

消融（Table 5，LIBERO-Plus）——这组比主表更有信息量：

变体	future 表示	intent 条件	LIBERO	LIBERO-Plus
Fast-WAM	VAE	无	97.6	51.5
DINO Future Only	DINO	无	96.3	39.7
Dual-Space w/o CAIR	VAE+DINO	无	97.8	66.4
w/o Semantic Future Expert	VAE	CAIR (DINO history)	97.3	63.5
Semantic Expert w/o Future Obj.	VAE	CAIR (DINO history)	95.8	62.9
Naive History Retrieval	VAE+DINO	无锚点 DINO history	96.3	56.5
Qwen Current Only	VAE+DINO	仅 Qwen 当前帧	96.5	62.3
CAIR with VAE History	VAE+DINO	CAIR (VAE history)	96.3	64.7
ST-WAM	VAE+DINO	CAIR (DINO history)	98.7	72.8

三个结论：(1) DINO 不能替代 VAE——只用 DINO 未来反而掉到 39.7%，低于纯 VAE 的 Fast-WAM，两者是互补而非可换（C10）；(2) 语义未来必须被显式预测——去掉 semantic 支 63.5%，保留 semantic DiT 与 mixed attention、只砍掉未来目标与 loss 的”参数对齐”变体 62.9%，都远低于 72.8%，说明增益不来自额外容量或 current DINO 条件（C11，但原文没给参数量，“parameter-matched” 无法核算）；(3) 历史必须被当前语义锚定地检索——无锚点压缩 56.5%、只用 Qwen 当前帧 62.3%、把历史换成 VAE latent 64.7%，三者都低于不用 CAIR 的 66.4%，即”错误表示或错误检索的上下文反而有害”（C12）。真机侧的对应消融是 shifted 平均从 61.5% 降到 41.0%（去 semantic future expert）和 43.7%（去 CAIR）（C13）。

定性证据：action query 对 current DINO token 的 attention 更集中在被操作物体与交互区域，对 VAE token 则弥散在整个场景（Fig. 5）。原文自己标注这是 qualitative pattern，未给任何量化指标（C20）。

Evidence Ledger

Claim ID	Claim	Type	Source locator	Evidence excerpt	Status
C1	LIBERO 四 suite 平均 98.7%，表内最高，且无 embodied pretraining	number+comparison	Table 1 / “Performance on LIBERO"	"ST-WAM achieves an average success rate of 98.7%, the highest among the compared methods”	source-verified
C2	RoboTwin 2.0 clean 93.06 / random 92.48 / avg 92.77，表内最高	number+comparison	Table 2	”yielding the highest average success rate of 92.77% among the compared methods”	source-verified
C3	零样本 LIBERO-Plus 72.8% 对 Fast-WAM 51.5%，+21.3 个百分点	number+comparison	Table 3	”improves the closely matched Fast-WAM baseline from 51.5% to 72.8%, a gain of 21.3 percentage points”	source-verified
C4	提升覆盖全部七个扰动维度；camera +39.0、sensor-noise +41.8 个百分点	number+comparison	”Zero-Shot Generalization on LIBERO-Plus"	"consistent across all seven perturbation categories, with particularly large gains of 39.0 and 41.8 percentage points”	source-verified
C5	真机 nominal 平均 79.3%，超 Fast-WAM 14.6、超 π0 32.0 个百分点	number+comparison	Table 4 / “Real-World Generalization"	"79.3% average success under the nominal condition, outperforming Fast-WAM and π0 by 14.6 and 32.0 percentage points”	source-verified
C6	真机视觉偏移平均 61.5% 对 25.8% / 32.8%；compound 48.0 对 15.3；掉点 17.8 对 38.9	number+comparison	Table 4	”Fast-WAM drops by 38.9 points from the nominal to shifted conditions, compared with only 17.8 points for ST-WAM”	source-verified
C7	Hallucination 普遍性来自 180 条预测的人工审计，70.6% 明显呈现；无评审人数/一致性统计	number+causal-mechanism	Introduction / Fig. 1(a)	“we manually audit the predicted futures of both models on 30 randomly sampled cases under each of three visual shifts”	source-verified（原文未描述评分细则或 inter-rater agreement，证据强度为主观判读）
C8	frame-triplet 诊断：290 triplet，DINOv3 same-state cosine 0.904 对 Wan-VAE 0.686；state-matched 排序正确率 95.2% 对 60.0%	number+benchmark-setting	Introduction / Fig. 1(b)	“290 frame triplets from LIBERO and LIBERO-Plus … 0.904 … compared with 0.686 for Wan-VAE latents”	source-verified（度量与构造在正文，细节 “provided in the supplementary material”，正文不足以复现）
C9	32 步 action chunk 756.17 ms 对 Fast-WAM 609.30 ms（1.24×），A100-80GB / BF16 / 10 步、20 次同步测量均值	number	”Inference Efficiency"	"ST-WAM generates a 32-step action chunk in 756.17 ms, compared with 609.30 ms for Fast-WAM”	source-verified
C10	只用 DINO 未来在 LIBERO-Plus 只有 39.7%，低于纯 VAE 的 51.5%；VAE+DINO 无 CAIR 为 66.4%	number	Table 5 / Q1	”The DINO Future Only variant achieves 39.7% on LIBERO-Plus, below the 51.5% of the VAE-based Fast-WAM”	source-verified
C11	去 semantic 支 63.5%；保留 DiT 但去未来目标与 loss 的参数对齐变体 62.9%；完整模型 72.8%	number	Table 5 / Q2	”removes its future target and loss, yielding 62.9%“	source-verified（“parameter-matched” 无参数量佐证）
C12	无锚点检索 56.5%、仅 Qwen 当前帧 62.3%、VAE history 64.7%，均低于无 CAIR 的 66.4%	number	Table 5 / Q3	”underperform the Dual-Space w/o CAIR baseline (66.4%)“	source-verified
C13	真机消融：去 semantic future expert / 去 CAIR，shifted 平均降到 41.0% / 43.7%	number	Table 4 / “Real-World Generalization"	"Removing the semantic future expert or CAIR reduces shifted-condition performance to 41.0% and 43.7%“	source-verified
C14	配置：5B Wan2.2 Video DiT + 两个 1B DiT，VAE/T5/DINOv3 ViT-S/16/Qwen3-VL-4B 全冻结；全文无总参数量、无 baseline 参数量	benchmark-setting	”Implementation Details"	"the semantic and action experts use 1B DiTs initialized from the pretrained Wan2.2 weights”	source-verified（参数量缺失系原文未报告）
C15	Table 3 的 baseline 数字引自 Zhang et al. 2026d 与 Chen et al. 2026b；Table 1/2 未交代 baseline 数字来源	benchmark-setting	Table 3 caption；Table 1/2 caption	”Baseline results from (Zhang et al. 2026d; Chen et al. 2026b).“	source-verified
C16	Fast-WAM / Fast-WAM-Joint 从 LIBERO 97.6 / 98.5 掉到 LIBERO-Plus 51.5 / 59.0，数字引自他人研究	number	Introduction	”drop from success rates of 97.6% and 98.5% on LIBERO to 51.5% and 59.0% … (Zhang et al. 2026d)“	source-verified
C17	协议：LIBERO 40 任务 × 50 rollout；LIBERO-Plus 10,030 例 / 七维扰动 / 零样本；RoboTwin 2,500 clean + 25,000 randomized 示教、每任务 100 trial	benchmark-setting	”Benchmarks and Protocols"	"10,030 test cases spanning seven perturbation dimensions … 2,500 clean and 25,000 heavily randomized demonstrations”	source-verified
C18	真机协议：Agilex Piper 6-DoF、每任务 50 示教、每任务每条件 30 trial、三方法用同一批示教各自 post-train	benchmark-setting	”Real-World Evaluation"	"Agilex Piper 6-DoF single-arm robot using 50 demonstrations per task … 30 trials per task and condition”	source-verified
C19	”pixel-generative 未来监督把 action-relevant transition 与 task-irrelevant 视觉内容纠缠” 这一机制断言有直接量化测量	causal-mechanism	Abstract / Introduction / Related Work	”can entangle action-relevant transitions with task-irrelevant or hallucinated visual content”	unsupported——原文措辞为 “can entangle” / “potentially entangling”，未定义或报告任何 entanglement 指标；支撑仅为人工审计、表示相似度诊断、attention 热图与下游成功率
C20	DINO attention 聚焦被操作物体、VAE attention 弥散，属定性热图，无量化指标	causal-mechanism	Fig. 5	”This qualitative pattern suggests that DINO provides task-focused semantic cues”	source-verified
C21	论文仅给出 project page（https://thu-wangmx.github.io/st-wam/），全文未声明开源代码或权重	license-code	Abstract / 全文	”The project page is available at https://thu-wangmx.github.io/st-wam/ .“	source-verified（无 code/weights release 声明，故 frontmatter `code` 留空）
C22	LDA-1B 与 LaWAM 已在 DINO 特征空间建模未来，本文以”不需 embodied pretraining / 单阶段端到端”作区分	sota-novelty	”WAMs with Alternative Future Representations"	"LDA-1B and LaWAM model future states directly in DINO feature space, but rely on large-scale embodied pretraining and multi-stage training”	source-verified（原文的区分点还包括保留 VAE 细粒度动力学与加入 DINO history retrieval）

Strengths & Weaknesses

值得学的地方

问题选得对，且诊断先于方法。大部分 WAM 论文在 LIBERO 上卷 0.x 个点，本文把注意力挪到”分布偏移下未来预测漂回训练域”这个真实故障模式，并且先做诊断再提方法。LIBERO 98.7 vs 98.5 没有意义，LIBERO-Plus 72.8 vs 51.5 和真机 61.5 vs 25.8 才是这篇的信息量所在。
消融把”为什么 work”拆到了机制层。三组消融分别否掉了三个替代解释：DINO 不能替代 VAE（39.7% 反而更差）、增益不来自额外容量或 current DINO 条件（62.9%）、增益不来自”多喂点历史”（无锚点检索 56.5% 甚至低于不用历史的 66.4%）。最后这条尤其有价值——它说明”检索历史”本身是有害的，只有当 query 被当前视觉-语言上下文锚定、且历史用视觉稳定的表示时才转正。这比 main result 更能说明设计的必要性。
attention mask 的工程处理干净。把 future 流对 action 的可见性彻底切断，换来”训练多目标、推理零开销”，代价只是 1.24× 延迟（且这 1.24× 来自 CAIR 侧的 Qwen3-VL/DINOv3 前向，不是 future 分支）。这是 simple 且可迁移的设计。

该打折扣的地方

核心机制断言没有被测量。全文的问题定义建立在”pixel-generative 监督造成 entanglement”上，但 entanglement 从未被定义成可测量的量（C19）。实际被证明的是更弱的命题：“在 290 个自建 triplet 上 DINOv3 比 Wan-VAE latent 对视觉扰动更稳定、对状态更可分” + “换了表示后下游 OOD 成功率更高”。这两者与”纠缠”之间隔着未验证的推理链。
两条诊断都建在自建 setting 上，且细节推给 supplementary。290 triplet 的构造方式、cosine similarity 在哪一层特征上算、DINOv3 ViT-S/16 与 Wan-VAE 的特征维度/归一化是否可比，正文都没说清（C8）。cosine similarity 在不同表示空间之间做绝对值比较（0.904 vs 0.686）本身就不是尺度无关的量，更稳的读法是看 95.2% vs 60.0% 这个排序指标——它至少是 scale-free 的。180 条预测的 hallucination 审计则是单次人工判读，无评分细则、无一致性统计（C7）。
主表可比性无法从原文确认。LIBERO-Plus 的 baseline 数字是从第三方论文抄来的，LIBERO / RoboTwin 表则连数字来源都没交代（C15）；全文没有任何参数量（C14）。ST-WAM 用了 5B + 1B + 1B 三分支加上冻结的 Qwen3-VL-4B 和 DINOv3——即使 Fast-WAM 是”closely matched”，读者也无法核验 21.3 个百分点里有多少来自表示设计、多少来自更多参数与更多冻结 encoder 的先验。Q2 里那个”parameter-matched”变体同理，没有数字支撑这个形容词。唯一干净的对照是真机那组（同示教、同 post-train 流程）。
偏移类型局限于外观。评测的 shift 全是 background / lighting / object appearance / camera viewpoint / sensor noise 这类外观级扰动，DINOv3 恰好是对这类扰动不变的表示——某种意义上是拿一个已知对该扰动不变的 encoder 去解一个该扰动定义的问题，泛化到物理动力学或 embodiment 变化时没有理由期待同样效果。作者在 Conclusion 里自己承认这一点。
未开源。只有 project page，全文没有代码或权重的 release 声明（C21）。

对领域的影响判断：方法层面这是一次”把 self-supervised 视觉表示接进 WAM 双端（future target + history retrieval）“的组合，novelty 有限（LDA-1B / LaWAM 已在 DINO 空间建模未来）。真正可能被后续引用的是两个负结果：DINO-only future 显著劣于 VAE-only future（说明语义表示丢掉了动作需要的细粒度动力学），以及无锚点历史检索比不用历史更差（说明”给 policy 更多上下文”不是免费的）。这两条对做 VLA/WAM 表示设计的人比 main result 更有用。

Mind Map

mindmap
  root((ST-WAM))
    Problem
      Training-Distribution Hallucination
        180 条预测人工审计 70.6%
        证据为主观判读
      pixel-generative 未来监督
        entanglement 未被量化
      290 triplet 诊断
        DINOv3 0.904 vs Wan-VAE 0.686
        排序正确率 95.2% vs 60.0%
    Method
      DSFE 三分支 MoT
        VAE future DiT 5B
        DINO future DiT 1B
        action DiT 1B
      结构化 cross-branch mask
        action 看不到 future
        推理可切掉 future 分支
      CAIR
        Qwen3-VL 当前语义锚
        DINO history 检索
        8 个 intent token 只进 action expert
      联合 flow matching
        权重 1.0 / 0.02 / 1.0
    Results
      LIBERO 98.7
      RoboTwin 2.0 92.77
      LIBERO-Plus 72.8 vs 51.5
      真机偏移 61.5 vs 25.8
      延迟 1.24x
      消融
        DINO-only future 39.7 更差
        无锚点检索 56.5 低于不用历史 66.4

Notes

最有转化价值的一条是 Q3 的负结果：上下文不是越多越好。无锚点 DINO history (56.5)、VAE history (64.7)、纯 Qwen 当前帧 (62.3) 三者都低于完全不用 intent 条件的 66.4。这与 GUI agent / long-horizon agent 里反复出现的”多喂历史反而掉点”是同一现象的不同实例——值得在跨域 pattern 里记一笔：检索式上下文的收益取决于 (a) query 是否被当前状态锚定、(b) 被检索表示是否对无关扰动不变，两个条件缺一即为负收益。
一个可追的开放问题：DINOv3 在这里承担的是”对外观扰动不变、对任务状态可分”的角色，而评测的 shift 恰好全是外观级。如果换成物理动力学或 embodiment 偏移（作者自己列的 future work），什么表示能同时满足这两个性质？现有 self-supervised 视觉 encoder 大概率不行——这可能是比继续换 encoder 更值得做的问题。
与 π0 / π0.5 这类直接 obs→action 的 VLA 相比，本文的真机结果里 π0 在 nominal 只有 47.3%，明显低于 Fast-WAM 的 64.7% 和 ST-WAM 的 79.3%；但在偏移条件下 π0 (32.8) 反而超过 Fast-WAM (25.8)。即：pixel-generative 未来监督在 in-distribution 有正收益、在 OOD 有负收益，这个符号翻转比 ST-WAM 自身的绝对数字更值得注意。
与 DreamZero（World Action Models are Zero-shot Policies）的对照关系没有在实验里展开——两篇都在讨论 WAM 的零样本能力但结论方向不同，值得后续比对。

DeepRead

Explorer