MobileWAM: Bridging World Action Models to Mobile Manipulation with Chain-of-Foresight

Summary

把 video-generative World Action Model 这套此前只用于固定底座 tabletop manipulation 的配方搬到 whole-body mobile manipulation：pretrained video diffusion transformer 与轻量 action expert 做 layerwise joint attention，action expert 的每个 FFN 换成 shared / locomotion / manipulation 三专家软路由（Mobile MoE），并加一条训练期专用的 Chain-of-Foresight——RNN 式串行链，第 k 步去噪第 k 个未来 latent 并把 belief 传给第 k+1 步，梯度经四个 backbone tap 层反压主干。ManiSkill-HAB SetTable 七子任务平均 73.0%，真机 ARX Lift2 五任务全面超过同数据微调的 π0.5（55/35/25/20/15% 对 35/25/10/10/0%），推理时 CoF 与 video 分支全部丢弃，单周期 938 ms。

Problem & Motivation

作者开篇的问题设得不错：mobile manipulation 是不是”tabletop 加个底盘”或”navigation 拼 manipulation”？他们给的否定理由是三条乘性耦合——相机随底盘扫动（viewpoint）、底盘自由使得达成同一目标的 base–arm 路径极多（action 分布多峰）、早期导航误差会静默毁掉后续抓取（causality）。结论是 mobile manipulation 的长程性来自因果深度而非帧数。

由此推出的技术空白是：WAM 这条线（Motus、LingBot-VA、Fast-WAM、GigaWorld-Policy）靠互联网级视频预训练拿到动力学先验，但战果全部集中在固定底座；而 mobile manipulation 侧仍在用 dynamics-blind 编码器加手工协调——AC-DiT 要 3D 点云与两阶段训练，SG-VLA 要 privileged GT segmentation 的辅助 decoder，WEM 预设了 world/ego 流的分离。作者的立场是这些”手工工程出来的时空一致性”本该从视频预训练里继承。

这个 framing 有一处自相矛盾之处值得记下：论文声称是”first systematic adaptation of video-generation WAMs to whole-body mobile manipulation”，但它自己的 Related Work 就写了 ABot-M0.5 “explores WAMs with latent actions”，而后者正是 mobile manipulation 的 WAM（C19）。novelty 的实际边界是”不用 latent action 中间层、不用点云、不用特权监督、单阶段”，不是”第一个”。

Method

整体形态. 观测是 head + wrist 两路 RGB 拼成一张 384×640 复合帧，本体状态 ${\mathbf{s}}_t$ 18 维（目标位置、抓取指示、物体位姿、末端位姿，均在 base 坐标系），输出 13 维 whole-body action（7 关节 + 夹爪 + 头部 pan/tilt + 躯干升降 + 底盘线速度/角速度），chunk 长度 $H=4$。训练时联合建模 $p_{\theta }({\mathbf{a}}_{t:t+H},V_{t:t+T}\mid o_t,{\mathbf{s}}_t,\ell )$，部署只采 action 边缘分布。

World expert. 30 block、width 3072、FFN 14336、24 头 × dim 128 的 Wan 系 text-and-image-to-video diffusion transformer；causal 3D VAE（48 latent channel，空间 16×、时间 4× 压缩）与 T5 系文本编码器全程冻结。一个 latent tick 恰好覆盖一个 action chunk，视觉时钟与运动时钟对齐——这是让 joint attention 有意义的前提。当前帧以 timestep 0 的 clean latent 进入，后续帧带噪，于是 backbone 做的是”给定现在去噪未来”。

Action expert 与 Mobile MoE. 30 block、width 1024、FFN 4096、24 头 × dim 128（每头维度与主干一致，joint attention 可直接拼头）。每层 action token 与 backbone 视觉 token 进同一次 self-attention，mixture-of-transformers 式分离投影。每个 FFN 替换为 shared / locomotion / manipulation 三专家：三者初始都是原 dense 层的克隆，router 是零初始化的线性层，读 mean-pooled 含噪 action embedding，softmax 温度 1.0 出凸组合，无 load-balancing loss。零初始化保证”只有数据要求时才分化”。附录的路由分析显示主导专家权重通常只在 0.4–0.6，无专家塌缩（C27）——即分化是温和的，不是硬开关。

Chain-of-Foresight. 取 $\{4,12,20,30\}$ 四个均匀分布的 backbone 层，把当前观测 token 的隐状态拼起来过两层 MLP 得初始 belief ${\mathbf{h}}_0$；深度专属模块 $F_1,\dots ,F_K$（各自独立权重，从靠后的 backbone block 循环初始化，每个是三层 transformer block）沿未来 latent 串行展开，第 $k$ 步吃 $({\mathbf{h}}_{k-1},{\mathbf{z}}_k^{{\tau }_k})$，在 block-causal mask 下 cross-attend 到 $(\ell ,{\mathbf{s}}_t,o_t)$，输出速度估计与新 belief。belief 是步与步之间唯一的通道，逼它压缩演化中的世界状态。foresight 目标用更激进的 noise schedule shift（10 对主分支的 5），链上不加 stop-gradient。

注意力掩码. 当前 token 只互看；未来 video token 看所有视觉 token；action token 只看当前 token；没有任何 video token 看得到 action token。这条保证当前观测的表示在训练与部署完全一致，于是推理时 backbone 退化为 current-frame encoder：一次前向填满 per-layer KV cache，action 对着 cache 迭代去噪 20 步，未来帧一帧都不实例化。CoF 的梯度经 fusion MLP 流回四个 tap 层，再经 joint attention 影响 action token 读到的表示——它施加的是”把场景动力学编进当前观测表示”的压力，而不是给 action 提供额外输入。

损失. video 与 action 都用 flow matching，timestep 独立采样（shift-skewed），使任一分支可单独去噪。$\mathcal{L}={\mathcal{L}}_v+{\mathcal{L}}_a+\lambda {\mathcal{L}}_{\mathrm{CoF}}$，${\lambda }_v={\lambda }_a=1$，$\lambda =0.1$，深度衰减 $\mathbf{w}=(0.4,0.2,0.1)$，$K=3$。单阶段训练，AdamW，lr $10^{-5}$ + cosine + 5% warmup，bf16，global batch 256，两个 expert 全参微调。

Key Results

ManiSkill-HAB SetTable（Table 1，成功率 %，三次评测均值±std）

子任务	ACT	DP	DP3	RDT	AC-DiT	AnchorVLA	MobileWAM
Pick Apple	28.0	21.3	0.0	12.0	33.3	22.7	46.0±0.8
Place Apple	8.7	28.0	31.0	32.0	33.3	64.3	63.7±3.2
Open Fridge	2.0	7.3	0.0	82.7	90.7	88.9	99.3±0.5
Pick Bowl	28.0	20.7	20.0	10.7	36.0	44.5	46.0±2.6
Place Bowl	13.0	69.3	32.0	18.7	17.3	63.8	64.7±1.2
Open Drawer	0.0	0.0	0.0	44.0	81.3	–	91.0±0.8
Close Drawer	85.7	55.0	68.0	100.0	97.3	100.0	100.0±0.0
Mean	23.6	28.8	21.6	42.9	55.6	64.0	73.0

七子任务领先五项、无一项崩到个位数，是这张表里唯一做到后者的方法；比 AC-DiT 高 17.4 个点（C1、C3）。可比性边界：AnchorVLA 的 64.0 只覆盖六个子任务（Open Drawer 未报告），论文正文承认了这点但均值仍按各自可得项算（C2）。按 Table 1 数字自行核算，两者在共有的六项上是 69.9 对 64.0，即 +5.9 而非表头看起来的 +9.0——被略去的 Open Drawer 恰是 MobileWAM 高于自身均值的一项（此为笔记推算，非原文陈述）。Table 1 也从未说明 baseline 数字是本文复跑还是抄自原论文（C24），全文除”≈6.5B”外无任何参数量，baseline 参数量一律缺失（C28）。

组件消融（Table 2，与主表同协议）：WAM only 65.4 → +CoF 68.9（+3.5）→ +Mobile MoE 73.0（+4.1）（C5）。CoF 的增益集中在移动视角下的取放（Place Bowl +10.0、Pick Apple +5.0），但 Open Drawer 反而从 89.7 掉到 87.0（C6）；MoE 的最大跳变在 Place Apple（+11.4），正是底盘重定位与精确释放交织的那一项。

CoF 的设计路径（Table 3，5,000 步缩减预算，故绝对值整体偏低，C7）——这组比主表更有信息量：

变体	Mean S.R.
WAM only	50.2
+ parallel foresight（并行监督多个未来 chunk，无链）	52.3
+ MLP-style CoF（串行但用 MLP 递归）	46.3
+ Transformer-style CoF	58.2

三条读数：(1) 单纯”多喂未来监督”只值 +2.1，因为并行目标之间没有因果结构，模型可以各拟合各的；(2) 串行化本身不是免费的——用 MLP 做递归比不加任何 foresight 还差 3.9 个点，作者的解释是瓶颈过粗导致链上表示塌缩，被污染的 belief 再经梯度反噬共享主干；(3) 只有当 belief 的承载力足够（transformer）串行才转正到 58.2（C12）。第二条是这篇最值得带走的负结果。

belief 从哪来（Table 4）：均匀取 4 层 58.2 最优，全 30 层拼接崩到 37.1，单区域取样（首 4 层 54.7 / 中 4 层 50.0 / 末 4 层 52.7 / 首尾两层 55.6）都不如均匀 4 层，均匀 12 层 50.8、均匀 20 层 42.7（C9）。作者读作 signal-to-interference 权衡：稀疏跨深度采样覆盖几何到语义的谱，而全层灌入既淹没物理信号又把 30 层的梯度全拖进一个辅助头。

链长（Table 5）：$K$ = 1/2/3/4 → 55.7 / 54.6 / 58.2 / 56.3，四者极差 3.6 个点，$K=3$ 峰值（C10）。非单调且波动量级与消融噪声相当，”$K=3$ 恰好匹配子任务动力学可预测窗口”的解释缺乏独立证据。

MoE 对硬拆（Table 6）：三专家软路由 58.2，把 action expert 硬拆成 locomotion / manipulation 两个等大专家后，双向注意 48.8、manip→loco 46.9、loco→manip 44.6（C11）。差距很大，支持”whole-body 各维不是可分离的流而是同一次运动的切面”。

推理开销（Table 7，NVIDIA A800）：MobileWAM 938 ms，Motus 4950 ms，LingBot-VA 8126 ms，即 5.3× / 8.7×（C16）。

真机（Table 8，ARX Lift2，五任务按 horizon 递增）：MobileWAM 55 / 35 / 25 / 20 / 15%，π0.5 用同一批数据微调后 35 / 25 / 10 / 10 / 0%（C13）。最长程的 $T_e$（开抽屉→取物→放入→关抽屉）π0.5 全败而 MobileWAM 15%。证据边界：全文未报告每任务的评测 trial 数，也未报告采集了多少条遥操作示教（C14）；评测 episode 的初始条件是”randomize within the training distribution”（Appendix C），而 abstract 用的措辞是 “with strong generalization”（C15）。部署侧 ≈6.5B 模型跑不动车载算力，实际跑在两张 A800 80GB 的远程服务器上、图像走 Wi-Fi 传输（C17）。

未量化的部分：全文没有任何视频预测质量指标（FVD / PSNR / SSIM / LPIPS 一个都没有），与”仅微调 Wan backbone”的未来预测对比只有 Figure 3 的视觉比对——透视一致性与形状保持是肉眼判读（C18）。CoF 声称推理零参数零 FLOPs 成立，但其训练期的显存与时间开销全文未测（C26）。

失败分析（§4.6）：失败集中在取放，定位误差（抓/放位姿超出容差）约 40%、碰撞干扰约 25%、初次失败后无法恢复约 20%、完成后回不到 rest pose 约 10%、过早松手约 5%（C25）。主导模式聚在工作空间边缘的目标位姿处。

Evidence Ledger

Claim ID	Claim	Type	Source locator	Evidence excerpt	Status
C1	ManiSkill-HAB SetTable 七子任务均值 73.0%，表内最高；逐项 46.0/63.7/99.3/46.0/64.7/91.0/100.0	number	Table 1	”Mean 23.6 28.8 21.6 42.9 55.6 64.0 73.0”	source-verified
C2	Table 1 中 AnchorVLA 的 64.0 只覆盖七项中的六项（Open Drawer 记为 ”–”），均值口径不一致	benchmark-setting	Table 1 caption + §4.2	”which evaluates only six of the seven subtasks”	source-verified
C3	比 AC-DiT（55.6）高 17.4 个均值点	number+comparison	§4.2 / Table 1	”and +17.4 mean points over AC-DiT”	source-verified
C4	Table 1/2 的 ± 是三次评测 run 的 std（rollout 级），非独立训练 seed；单次评测的 episode 数全文未给	benchmark-setting	§4.1 Benchmark / Appendix B	”over three independent evaluation runs”	source-verified（“training seed” 全文未出现；episode 数缺失）
C5	组件消融：WAM only 65.4 → +CoF 68.9（+3.5）→ +Mobile MoE 73.0（+4.1）	number	Table 2 / §4.3	”lifts the mean success rate from 65.4% to 68.9% (+3.5)“	source-verified
C6	同一消融中，加 CoF 使 Open Drawer 从 89.7±2.1 降到 87.0±1.0	number	Table 2 Open Drawer 行	”Open Drawer 89.7±2.1 87.0±1.0 91.0±0.8”	source-verified
C7	Table 3–6 用 5,000 步缩减预算，绝对数值因此偏低	benchmark-setting	§4.1 Training / Appendix A	”Ablations (Tables 3–6) use a reduced 5,000-step budget … so their absolute numbers are lower”	source-verified
C8	58.2 同时是 Table 3 ”+ Transformer-style CoF”、Table 4 “Uniform 4 layers”、Table 5 K=3、Table 6 “MoE (ours)” 的参照点；原文未说明该缩减预算参照配置是否含 Mobile MoE	benchmark-setting	Tables 3–6	Table 3 “58.2”；Table 6 “MoE (ours) 58.2”	source-verified（标签互相冲突：Table 3 的递增列暗示不含 MoE，Table 6 的命名暗示含 MoE；原文未澄清）
C9	取层消融：全 30 层 37.1 / 均匀 20 层 42.7 / 均匀 12 层 50.8 / 均匀 4 层 58.2 / 首尾 55.6 / 末 4 层 52.7 / 中 4 层 50.0 / 首 4 层 54.7	number	Table 4	”All 30 layers 37.1 … Uniform 4 layers 58.2”	source-verified
C10	链长 K=1/2/3/4 → 55.7/54.6/58.2/56.3，原文称”极差 3.6 点内稳定”	number	Table 5 / §4.3	”remarkably stable (K=1 to 4 within 3.6 points), peaking at K=3”	source-verified
C11	MoE 58.2 对硬拆双向 48.8 / M→L 46.9 / L→M 44.6，原文称”同参数预算”	number+comparison	Table 6 / §4.3	”Soft MoE thus outperforms hard architectural splits under the same parameter budget”	source-verified（“same parameter budget” 无参数量数字佐证）
C12	foresight 结构消融：WAM only 50.2 / 并行 52.3 / MLP-CoF 46.3 / Transformer-CoF 58.2	number	Table 3 Mean 行	”Mean 50.2 52.3 46.3 58.2”	source-verified
C13	真机 Ta–Te：MobileWAM 55/35/25/20/15%，π0.5 35/25/10/10/0%	number+comparison	Table 8	”π0.5 35% 25% 10% 10% 0% / MobileWAM (ours) 55% 35% 25% 20% 15%“	source-verified
C14	全文未报告真机每任务评测 trial 数，也未报告遥操作示教条数	benchmark-setting（缺失）	§4.4 / Appendix C	”we collect teleoperated demonstrations covering randomized object placements and robot start poses”	source-verified（正文与附录均无该数字）
C15	真机评测 episode 在训练分布内随机化初始条件，而 abstract 表述为 “with strong generalization”	benchmark-setting	Appendix C vs Abstract	”Evaluation episodes randomize initial conditions within the training distribution”	source-verified
C16	单周期延迟：MobileWAM 938 ms、Motus 4950 ms、LingBot-VA 8126 ms（5.3× / 8.7×）	number	Table 7 / §4.3	”This yields 5.3× and 8.7× speedups over Motus and LingBot-VA”	source-verified
C17	≈6.5B 模型因车载算力不足而部署在远程双 A800 80GB，图像经 Wi-Fi 传输	benchmark-setting	Appendix C Platform	”the on-board compute of ARX Lift2 is insufficient to run our ≈6.5B-parameter model in real time”	source-verified
C18	全文无任何视频预测质量量化指标（FVD/PSNR/SSIM/LPIPS）；与”仅微调 Wan backbone”的未来预测对比仅为定性	number（缺失）	§4.5 / Fig. 3 / Appendix D	”The contrast is stark. Our predictions respect the rules of spatial perception”	source-verified（全文无上述指标字符串）
C19	自称”据我们所知，首个把 video-generation WAM 系统性适配到 whole-body mobile manipulation”，而同文 Related Work 写 ABot-M0.5 已”explores WAMs with latent actions”	sota-novelty	§1 contributions + §2.2	”ABot-M0.5 explores WAMs with latent actions (chen2026abot)“	source-verified（两处陈述并存，原文未调和）
C20	架构：world expert 30 block / width 3072 / FFN 14336 / 24 头 dim 128；3D VAE 48 channel、16× 空间 4× 时间压缩，与 T5 系编码器均冻结；action expert 30 block / width 1024 / FFN 4096；H=4、d_a=13、d_s=18	benchmark-setting	Appendix A Architecture / §3.1	”30-block video diffusion transformer (hidden width 3072, feed-forward width 14336, 24 attention heads of dimension 128)“	source-verified
C21	每子任务 1,000 条过滤后示教 + 100 条验证，来自 benchmark 的 RL+filtering 生成管线；观测为 384×640 复合 RGB，无 depth、无点云、无特权状态	benchmark-setting	§4.1 Training / Appendix B	”no depth, no point clouds, no privileged states”	source-verified
C22	单阶段训练，AdamW，lr 1e-5 + cosine + 5% warmup，bf16，global batch 256，两 expert 全参微调，VAE 与文本编码器冻结；λ_v=λ_a=1、λ_CoF=0.1、w=(0.4,0.2,0.1)、K=3；推理 20 步 flow matching，执行满 4 步 chunk 后重规划	benchmark-setting	§4.1 / Appendix A	”λv=λa=1 and λ=0.1 … depth decay w=(0.4,0.2,0.1) and K=3”	source-verified
C23	代码与权重当前未发布，仅承诺录用后开源	license-code	Abstract	”Code will be released upon acceptance.”	source-verified（arXiv abs 页元数据作 “Code will be released soon.”；权重从未提及，故 frontmatter code 留空）
C24	Table 1 未说明 baseline 数字系本文复跑还是引自原论文	benchmark-setting（缺失）	Table 1 caption / §4.2	”Baselines: ACT (zhao2023act); DP (chi2023diffusionpolicy); …“	source-verified
C25	失败构成：定位误差 ~40%、碰撞干扰 ~25%、失败后无恢复 ~20%、未回 rest pose ~10%、过早松手 ~5%	number	§4.6	”localization errors … account for ∼40%; collision interference ∼25%“	source-verified
C26	CoF 与 video 分支推理时删除，零参数零 FLOPs；但 CoF 引入的训练期显存/耗时开销全文未测	causal-mechanism + 缺失	§3.5 / Abstract	”The foresight module and fusion MLP are deleted at inference, adding zero parameters or FLOPs.”	source-verified（训练开销无任何测量，唯一相关表述是修辞性的 “pays for itself at training time”）
C27	MoE router 为零初始化线性层，读 mean-pooled 含噪 action embedding，softmax 温度 1.0，凸组合，无 balancing loss；路由分析显示主导专家权重通常 0.4–0.6，无专家塌缩	benchmark-setting	Appendix A Mobile MoE / Appendix E	”dominant expert typically 0.4–0.6), with no expert collapsing to near-zero”	source-verified
C28	全文除自身 ≈6.5B 外不报告任何 baseline 参数量（π0.5、AnchorVLA、AC-DiT、Motus、LingBot-VA 均无），故各项对比无法确认参数对齐	benchmark-setting（缺失）	Tables 1/7/8 + Appendix C	全文唯一参数量：“our ≈6.5B-parameter model”	source-verified

Evidence boundary：C1–C28 由独立 verifier 逐条定位 primary source（含附录 A–E）核查，状态均为 source-verified——这只表示原文确实包含该信息，不表示结果已被独立复现。全文无独立训练 seed（C4 的 ± 是评测 run 级 std），故任何”更高”的措辞只指数值差，不含统计显著性。表中标注”缺失”者为否定性核查：verifier 在全文与附录检索后确认该项不存在，而非未能找到。

Strengths & Weaknesses

值得学的地方

• Table 3 把设计过程当结果写，而且写出了负结果。 “并行监督 → 串行化 → 换更强的递归模块”三步复盘中，中间那步（MLP 递归 46.3，比完全不加 foresight 的 50.2 还低 3.9）是真正有信息量的：串行化不是免费的正收益，链上表示一旦塌缩，被污染的 belief 会经梯度反噬共享主干。这条对任何想给 backbone 挂辅助递归头的人都适用，比 73.0 这个主表数字有用得多。
• “训练期消费、推理期删除”这条路线走通了。 不对称 mask 把 action 对 future token 的可见性彻底切断，于是当前观测的表示在训练与部署严格一致，backbone 退化为可缓存的 current-frame encoder。CoF 只通过梯度施加”把动力学编进当前表示”的压力，从不作为输入。938 ms 对 4950/8126 ms 的差距不是调优出来的，是架构约束的直接后果。
• Mobile MoE 的对照选得干净。 直接对比”软路由三专家”与”按动作维度硬拆两专家”（58.2 对 44.6–48.8），而不是只对比”有 MoE / 无 MoE”。附录路由权重 0.4–0.6 无塌缩这条也诚实——它说明分化是温和的，收益不来自”两条独立通路”这种直觉叙事。

该打折扣的地方

• 真机那组数字的证据密度太低。 五个任务的成功率全是 5% 的整数倍（55/35/25/20/15），高度提示每任务 20 次 trial，但论文自始至终没写 trial 数，也没写采集了多少条示教（C14）。20 次 trial 下 15% 与 0% 的差别是 3 次成功对 0 次，Wilson 区间大幅重叠；“优势随 horizon 增长”这个”central claim”目前建在这样的样本量上。这不是数字对不对的问题，是它根本不可核。
• abstract 的 “strong generalization” 与附录的评测协议对不上。 附录明写评测 episode 在训练分布内随机化初始条件（C15）。在训练分布内随机初始位姿是标准 IL 评测，不是 generalization。这个词应该删掉。
• SOTA 声明的口径与覆盖都可打折。 AnchorVLA 的均值只算六项，而被略去的 Open Drawer 恰好是 MobileWAM 高于自身均值的一项；在共有六项上重算是 69.9 对 64.0。更值得注意的是本文在 Related Work 引用了 SG-VLA 却没把它放进 Table 1——SG-VLA 在 ManiSkill-HAB 上报告的平均成功率同样是 0.73（见 2603-SGVLA，其子任务切分与本文不同：把 Pick/Place 各自聚合、且含本文没有的 Close Fridge，用 multi-view RGB+depth，每任务 30 episode，因此两个 73 不能直接相减）。但一篇声称在该 benchmark 上 SOTA 的论文，把唯一一个数字量级相当且被自己引用的工作排除在主表之外，读者至少有权知道为什么。
• Table 3–6 的参照配置身份不明。 58.2 同时被 Table 3 标为”+ Transformer-style CoF”（递增列，暗示不含 MoE）和 Table 6 标为”MoE (ours)“（暗示含 MoE）（C8）。若含 MoE，那 Table 3 的 CoF 增益（50.2→58.2）就混入了 MoE 的贡献；若不含，Table 6 的 MoE 对照就没有 MoE。两种读法给出的归因完全不同，而论文没有澄清。
• 参数量全表缺失。 除自身 ≈6.5B 外没有任何 baseline 的参数量（C28）。π0.5 与 6.5B 的 Wan 主干在真机上同数据微调，比的到底是”WAM 配方”还是”更大的视频预训练主干”，无法从原文区分。这与 2607-STWAM 是同一个毛病，看来是当前这批 WAM 论文的共同缺省。
• 视频质量一个指标都没有。 §4.5 那组”我们的预测遵守近大远小、baseline 形变”的对比全靠肉眼（C18）。这里其实不该苛求 FVD——库内已有三条独立证据说明生成保真度不构成 world model 能力验收（2607-GigaWorld1、2607-PhiZero、2608-WorldExam）——但本文用这张定性图去解释”为什么 CoF 有效”，就等于用未测量的中间变量做因果归因。真正能支撑机制的对照是 Table 3，不是 Figure 3。

对领域的影响判断：这是一次范式移植而非新机制，“first” 的说法被自己的 Related Work 削弱（C19）。CoF 本身是 Belief State Transformer / next-latent prediction 在 WAM 上的转写，Mobile MoE 是 ABot-M0.5 双分支解耦的软化版。会被后续引用的大概率不是 73.0，而是三条负结果：MLP 递归比不加 foresight 更差、全层拼接（37.1）远劣于稀疏跨深度取样（58.2）、按动作维度硬拆专家显著劣于软路由。三条都在说同一件事——给主干挂辅助监督时，接口的形状比监督量重要。

Mind Map

mindmap
  root((MobileWAM))
    Problem
      mobile manipulation 非 tabletop 加底盘
        viewpoint 随底盘扫动
        base-arm 路径多峰
        早期导航误差毁掉后续抓取
      WAM 战果集中于固定底座
      现有 mobile 方案依赖点云与特权监督
      first 声明被自身 Related Work 削弱
    Method
      Wan 系 video DiT + 轻量 action expert
        layerwise joint attention
        不对称 mask 使 action 看不到 future
      Mobile MoE
        shared / locomotion / manipulation
        零初始化 router 软路由 0.4-0.6
      Chain-of-Foresight
        四层均匀 tap 融合出 belief
        belief 是步间唯一通道
        仅经梯度作用 推理删除
      单阶段 flow matching
    Results
      ManiSkill-HAB 73.0
        AnchorVLA 64.0 仅六项
        共有六项重算 69.9 对 64.0
      消融 65.4 到 68.9 到 73.0
      MLP-CoF 46.3 低于不加 foresight 50.2
      全层拼接 37.1 远劣于均匀四层 58.2
      真机 55/35/25/20/15 对 pi0.5
        trial 数与示教数未报告
        评测在训练分布内
      延迟 938ms 对 4950/8126
      无任何视频质量指标

Notes

• 最可迁移的一条是 Table 3 的中间步：并行未来监督 +2.1，MLP 串行 −3.9，transformer 串行 +8.0。这说明”更多未来监督”与”因果链式未来监督”是两回事，而后者的收益完全被递归模块的承载力 gate 住——瓶颈过窄时链上表示塌缩，再经梯度污染共享主干，结果比不加还差。配合 Table 4（全 30 层拼接 37.1 vs 均匀 4 层 58.2），两条指向同一个更一般的命题：辅助头与主干的接口形状（哪些层、多宽的瓶颈）比辅助信号的量级更决定成败。这与 2607-STWAM 的 Q3 负结果（无锚点历史检索 56.5 反而低于不用历史的 66.4）是同一现象的不同实例——都是”额外通道设计错了就是负收益”。
• 与 2607-STWAM 的具体差别（后者是库内最近的邻居，同为 WAM + 额外未来预测通道）：STWAM 换的是未来的表示空间（在 VAE latent 之外并行预测冻结 DINOv3 的语义未来），瞄准的失效模式是视觉分布偏移下预测未来漂回训练域，评测落点是零样本 LIBERO-Plus 与真机外观扰动；MobileWAM 换的是未来的时间结构（同一个 VAE latent 空间内串行链式预测多个未来 chunk，belief 逐步传递），瞄准的失效模式是长程因果深度，评测落点是 mobile manipulation 的多阶段任务。两者的额外分支都在推理时被切掉，都靠 attention mask 保证零开销——这个”训练期消费、推理期删除”的模板在两个月内被两组人独立采用，可以当成 WAM 分支设计的既定套路记下来。差别在于 STWAM 的两条 future 分支是并行的（跨空间互相细化），而 MobileWAM 的多个未来是串行的（belief 单通道传递）；MobileWAM 的 Table 3 恰好给出了并行对串行的直接对照（52.3 对 58.2），这个对照 STWAM 没做。
• WorldModel 的 “UI/GUI World Model” 路线不受本文影响——MobileWAM 完全在 robotics 侧，与 MobileDreamer / UISim 那条线没有交集（“Mobile” 指移动底盘不是移动端 UI，容易误归档，值得在归档时留意）。它影响的是 WorldModel 与 EmbodiedAI 的 WAM 分支：此前 2607-STWAM、2607-N0TWAM 记录的 pattern 是”给 WAM 加新未来通道，收益未必来自预测那一半”，本文往同一处加了一条更细的刻度——收益不仅未必来自”预测”，还高度取决于预测目标之间是否有因果结构、以及承载因果的模块是否够宽。
• 与 2607-ABotM05 的关系需要盯：两篇都是 mobile manipulation 的 WAM，ABot-M0.5 走 video → frame-level latent action → executable action 的三级生成链 + Dual-level MoT（mobility/manipulation 双 FFN 分支），MobileWAM 走 video ↔ action 直接 joint attention + 三专家软路由，且用 Table 6 的硬拆对照间接反驳了 ABot-M0.5 那种双分支设计。但两篇不在同一 benchmark 上（ABot-M0.5 在 RoboCasa365，MobileWAM 在 ManiSkill-HAB），无法直接比较，这个分歧目前是悬空的。若要追，最小实验是在 ManiSkill-HAB 上把 latent action 中间层加回 MobileWAM。
• 开放问题：CoF 的 belief 被声称”承载世界的物理状态前推”，但全文没有任何直接探测 belief 内容的实验（没有从 belief 解码状态、没有 belief 的表示分析）。支撑它的只有下游成功率与那张定性未来预测图。这与 2607-STWAM 的 entanglement 断言是同一类问题——机制叙事跑在测量前面。一个便宜的验证：从 ${\mathbf{h}}_k$ 线性探测物体位姿或底盘位移，看它是否随 $k$ 增长仍保持可解码。