Faster-WAM 解读｜世界动作模型需要那么深的动作头吗？
做机器人动作预测经常碰上一个问题：推理延迟。模型在仿真里精度看着还行，一上真机，延迟一大，整个控制循环就跟不上了。动作还没算完，环境已经变了。这时候自然想问——动作模块真的需要堆那么深吗？
最近 arXiv 上挂了一篇论文，标题就问得很直接：Faster-WAM: Do World Action Models Need Deep Action Modules? 作者的回答也很干脆——不需要。
他们提出的架构叫 Dock of Transformer（DoT），设计思路是「以视频为中心」——把一个预训练的视频 Transformer 当作表示枢纽，通过 docking 接口连接轻量级的输出头。动作头可以做得非常浅，同时还能直接获取视频骨干所有层的表示。
基于 DoT 实现的 Faster-WAM，动作头只有 1 层 Transformer，视频骨干是 30 层。在 LIBERO 和 RoboTwin 2.0 这两个机器人操作 benchmark 上，性能与之前方案持平甚至更好，在 LIBERO-Plus 上也展现了分布外泛化能力。延迟方面，单次推理 66.5 毫秒，比 Fast-WAM 快了 3.2 倍。
66.5 毫秒刚好压在机器人控制的一个关键窗口上——很多真实系统的控制周期在 50–100 毫秒之间。推理能压进这个窗口，意味着动作预测可以不再是瓶颈。之前可能要为一次推理等大半拍，现在有更多余量做规划、滤波或安全检查。
Faster-WAM 没有做额外的 embodied 预训练，直接用了现成的视频预训练权重。对于不想从头训整套模型的团队来说，这是一个很务实的路径。
LIBERO 和 RoboTwin 都是仿真环境，真机部署还有 sim-to-real 的 gap 要填。但这个工作的核心贡献在于提出了一个问题——我们是不是默认把动作模块堆得太深了？
在很多现有设计里，动作模块的深度是跟着视频骨干走的——骨干 30 层，动作头也来个 20 层。DoT 的实验表明，动作预测可能不需要那么深的专用模块，一个高质量的视频表示加上一层动作映射已经够用。
论文目前挂在 arXiv 上（2608.02365），PDF 和 HTML 版本都可以直接看。docking 接口的具体做法是融合所有视频层的 K/V，再做 RoPE 重对齐。这个技巧有一定通用性，做视觉-动作模型的团队可以试试移植。
一个动作头到底需要多深？Faster-WAM 的实验答案是一层就够了。这个结论能不能在更大模型、更复杂任务上站住脚，还需要更多验证，但至少给出了一个值得尝试的方向。
相关链接
- 论文页面：https://arxiv.org/abs/2608.02365
- PDF：https://arxiv.org/pdf/2608.02365
- HTML（实验性）：https://arxiv.org/html/2608.02365v1