具身智能视觉世界模型突破！Meta FAIR 与上交发布 ProWAM：渐进稀疏子目标规划，真机操控胜率跃升至 70%

核心背景与行业痛点

将视觉生成模型与机器人控制相结合的世界动作模型（World Action Models, WAMs），能够让机器人“在脑海中预演未来物理画面的演变，并同时规划动作轨迹”，是实现通用具身智能（Embodied AI）的核心构想。然而，现有的世界动作模型在长流程复杂操控中面临致命的两难困境：若直接自回归生成高帧率的密集连续视频，单次推理耗费高达数秒至数十秒，且时序上的微小误差会在数十帧后迅速发散漂移；而若为了追求效率，仅预测任务完成时的最终单张画面（Single Future Frame），模型则完全失去了逐步向目标演进的中间路标，一旦在半途中遭遇抓取滑脱或障碍物碰撞，机器人便无法判定自己当前身处何种阶段，导致动作执行彻底脱节。

架构亮点与底层机制

针对密集视频生成的算力黑洞与单帧预测的视野缺失，Meta FAIR 与上海交通大学联合团队提出了基于渐进式视觉规划的世界动作模型 ProWAM（arXiv:2610.02508）：

1. 按序排列的稀疏视觉子目标序列（Progressive Sparse Visual Sub-Goals）：ProWAM 创新性地在动作策略与生成模型之间构建了“渐进式路标”——联合预测动作轨迹与一组按时间时序排序的关键稀疏视觉子目标帧，为全流程动作合成提供连续且锚定的视觉演进参照物；
2. 解耦的大规模无动作视频预训练：视觉子目标的生成能力可以直接在互联网上海量未标注动作的无监督视频（Action-Free Videos）上进行预训练扩展，使得强大的视频主干网络能够天然承担高维复杂的视觉空间规划职责，极大减轻底层动作策略的拟合负担；
3. 单次前向特征缓存与轻量重规划（Single-Pass Feature Caching）：ProWAM 仅需执行一次视频主干网络的单次前向计算，即可将整套稀疏子目标的深层视觉特征完全缓存；在后续闭环高频控制与动态重规划中，无需反复重新合成视频，只需基于缓存特征运行极其轻量的动作去噪器（Action Denoising），兼顾了高维前瞻性与实时控制响应率。

权威 Benchmark 与实测跑分对比

在跨越多个业界顶级机器人仿真基准与真实的实体物理机械臂严苛实验中，ProWAM 展现出了惊人的泛化与抗扰能力：

1. LIBERO-Plus 仿真胜率达 85.8%（相对提升 +35.9%）：在公认高难度的具身控制基准 LIBERO-Plus 上，ProWAM 斩获 85.8% 的最高成功率，相较此前的最强基线实现高达 +35.9% 的相对胜率爆发；在环境随机化扰动测试 RoboTwin 上斩获 75.7%；
2. 高难 RoboCasa365 基准位列顶尖梯队：在模拟真实家居场景的 RoboCasa365 上取得 48.1% 的平均成功率，在最具挑战性的复合未知环境切片（Composite-Unseen Split）中达到 18.2%，位列全球综合评测第 4 位；
3. 真实物理实体机械臂零样本胜率飙升至 70.0%：在零样本（Zero-Shot）直接迁移至真实世界未知物体与全新摆放场景的物理机械臂抓取分拣中，ProWAM 取得 70.0% 的极高实战胜率，相比最强基准（55.0%）净增 15.0 个百分点（相对提升 +27.3%），证实了渐进式视觉前瞻在闭环物理控制中的非凡价值。

开发者实战落地与开箱指南

ProWAM 的研究成果、演示视频与交互式项目主页已在 GitHub Pages（sii-ferenas.github.io/ProWAM-page/）正式上线。对于正在从事具身智能机械臂开发、仓储自动化物流分拣以及家庭服务机器人研发的技术团队，ProWAM 指明了一条摆脱昂贵视频自回归生成的破局之路。开发者无需在端侧设备上艰难部署臃肿的每秒数十帧的视频扩散流水线，通过引入“稀疏视觉子目标缓存+轻量动作去噪”的分层架构，即可在边缘计算设备上实现兼具人类般宏观预判视野与毫秒级敏捷反应的高性能具身智能控制系统。