Flash-WAM：透過模態感知蒸餾加速世界動作模型，實現機器人高效率即時控制

Problem

世界動作模型（WAMs）透過疊代擴散過程生成未來影像與機器人動作，雖然性能優異，但因需要數十個去噪步驟，導致推論速度過慢而無法進行即時控制。此外，現有的步進蒸餾方法無法處理影像與動作流之間因雜訊排程與邊際分佈不對稱所產生的技術瓶頸。

Method

提出 Flash-WAM 框架，這是一種受一致性蒸餾啟發的模態感知技術。該方法針對不同模態選用匹配的一致性函數：動作流採用線性梯度縮放參數化以適應其低雜訊區間；影像流則結合變異數保持參數化以處理高雜訊區間，從而克服多模態擴散模型的蒸餾難題。

Results

實驗顯示 Flash-WAM 將推論步驟壓縮至單步，在 NVIDIA L40S 平台上使每塊資料的延遲從 8.1 秒縮減至 348 毫秒，實現 23 倍的加速。此技術在 RoboTwin 2.0 與 LIBERO 基準測試中維持了極高成功率，並在 Unitree G1 人形機器人的實機測試中展現出色的效能復原力。

Significance

這項研究解決了生成式機器人模型推論成本過高的核心障礙，讓原本運算密集的擴散模型能在真實世界中進行即時互動。這對於提升機器人控制的反應速度，以及將複雜的世界動作模型部署於運算資源有限的邊緣裝置具有關鍵影響。