关于 WAM
一般说法是，VLA 输出只看 action ，world model 只预测未来世界状态。
既预测 action 又预测未来世界状态的叫 WAM。
相比 VA，WAM 不一定用视频模态来表示世界状态，也可能是点云什么的。
WAM 关注当前观察 o、语言指令 l、未来观察 o' 和动作 a 之间的联合关系：p(o', a \mid o, l)
[2605.12090] World Action Models: The Next Frontier in Embodied AI 这篇综述将 WAM 按照“先预测 o' 再生成 a” 还是 “同时推理 o' 和 a” 分成了级联 WAM 和 联合 WAM。
（1）级联 WAM (Cascaded WAM)显式地分解了该目标，形式化为 $p(o', a \mid o, l) = p(a \mid o', o, l)p(o' \mid o, l)$，即首先合成对预期未来状态的表示，随后从中推导出动作；
（2）联合 WAM (Joint WAM)直接对联合分布（$p(o', a \mid o, l)$）进行建模，其中状态预测和动作生成在一个共享的表示空间内进行协同优化（这些架构的时间演变可参见相应的结构图）。
这篇综述还进行了二级分类，我在分类基础上补充了对各种流派优劣势的分析：
| 类别名 | 代表工作 | 优点及分析 | 缺点及分析 |
|---|---|---|---|
| 显式级联 | UniPi、VLP、RoboEnvision、TesserAct、MVISTA-4D、Gen2Act、Veo-Act | 核心优点：可解释性强，因为模型的中间规划就是可直接查看的未来图像、视频或 RGB-D。 范式原生分析：该范式把决策分解为o,l→o′→ao,l \rightarrow o' \rightarrow ao,l→o′→a。由于o′o'o′ 位于可观测空间，人的检查对象与模型规划对象一致，因此可以直接诊断世界预测是否合理。 工程优势：可复用现成视频生成模型或图像到视频模型。 | 核心缺点：误差会沿级联链路传递，第一阶段想错会直接误导第二阶段动作。 范式原生分析：第二阶段实际求解的是p(a∣o^′,o,l)p(a\mid \hat{o}',o,l)p(a∣o^′,o,l)。只要第一阶段预测o^′\hat{o}'o^′ 偏离任务真实可达未来，动作解码器就会在错误条件上生成动作。这个问题来自两阶段条件分解本身。 工程问题：视频生成慢、显存占用大、长视频质量不足属于当前实现问题，不是“显式级联”这个范式必然要求。 |
| 几何级联 | AVDC、Im2Flow2Act、3DFlowAction、Dream2Flow、Dreamitate、RIGVid、LV-P | 核心优点：动作恢复更有物理结构，因为中间变量直接是光流、3D 流、物体姿态或轨迹。 范式原生分析：该范式引入几何变量ggg，把动作恢复近似为o′→g→ao' \rightarrow g \rightarrow ao′→g→a。当ggg 与末端执行器位姿、物体位移或接触轨迹直接相关时，动作搜索空间被结构化压缩，解码更受运动学约束。 | 核心缺点：几何瓶颈会丢失无法由所选几何变量表达的任务信息。 范式原生分析：该范式默认存在充分的几何摘要ggg。但接触力、材质、遮挡下的真实位姿、非刚体形变、语义目标等不一定能被光流或刚体姿态完整表示，因此ggg 可能不是动作的充分统计量。 工程问题：深度估计、点跟踪、分割、姿态估计模块不稳定，是具体感知栈的工程问题。 |
| 隐式级联 | VPP、S-VAM（SOTA）、Video Policy、mimic-video、MWM（最新）、OmniVTA、LAPA、villa-X | 核心优点：效率更高，因为模型不必完整生成像素未来。 范式原生分析：该范式形成o,l→z′→ao,l \rightarrow z' \rightarrow ao,l→z′→a，用潜在变量z′z'z′ 替代显式未来观察。如果z′z'z′ 保留任务相关动力学并丢弃纹理、光照、背景等无关视觉细节，动作头获得的是更紧凑的条件变量，统计效率和推理效率都会提高。 | 核心缺点：可解释性弱，因为潜在规划不是人可直接验证的物理量。 范式原生分析：z′z'z′ 不是可观察的图像、轨迹或姿态，因此无法直接判断“模型想象的未来是否合理”。如果潜在空间没有与可执行动作对齐，动作头可能读到对控制无用的压缩特征。 工程问题：潜在空间是否对齐动作，更多取决于预训练目标、蒸馏策略、数据覆盖和动作监督设计。 |
| 自回归联合 | GR-1、GR-MG、GR-2、CoT-VLA、WorldVLA、RynnVLA-002、VLA-JEPA（SOTA / 最新） | 核心优点：统一序列建模方便，因为语言、视觉和动作都可以放进同一个上下文生成过程。 范式原生分析：自回归分解为p(x1:T)=∏tp(xt∣x1:t−1)p(x_{1:T})=\prod_t p(x_t\mid x_{1:t-1})p(x1:T)=∏tp(xt∣x1:t−1)。这种因果分解天然适合长时程上下文、步骤化推理和 history-conditioned policy；动作 token 可以条件于此前生成或观测到的世界 token。 | 核心缺点：误差累积和逐 token 延迟是自回归联合的天然瓶颈。 范式原生分析：每一步都以历史生成值为条件，早期视觉或动作 token 一旦错误，后续条件分布会被污染，从而产生 compounding error。同时序列必须逐步生成，推理时间随 token 数增长，天然不利于高频控制。 工程问题：KV cache、speculative decoding、并行动作头等可以缓解延迟，但不能消除自回归因果链带来的根本限制。 |
| 扩散联合 | PAD、VideoVLA、UWM、DreamZero、Cosmos Policy（SOTA）、FLARE、FRAPPE、CoVAR、DiT4DiT（最新）、UVA、PhysGen | 核心优点：更适合连续动作和多峰未来，因为扩散/流匹配直接在连续空间建模整段联合分布。 范式原生分析：扩散或流匹配直接建模(o1:T′,a1:T)(o'_{1:T},a_{1:T})(o1:T′,a1:T) 的联合分布，不必把动作离散成 token；去噪过程可以从噪声中并行细化整段未来，因此更适合多模态动作分布和连续控制。 | 核心缺点：生成成本高，且世界目标可能和动作目标竞争。 范式原生分析：去噪或流匹配需要反复调用生成网络，这是生成机制带来的原生成本。联合训练优化Lworld+Laction\mathcal{L}_{world}+\mathcal{L}_{action}Lworld+Laction，如果世界重建项主导梯度，模型可能优先生成视觉上合理的未来，而不是控制上最有用的未来。 工程问题：采样步数过多、模型过大、蒸馏不足、损失权重没调好，是当前实现层面的工程问题。 |
个人比较看好隐式级联和联合（SOTA 和 最新 是 GPT-5.5 标的，如果和文章 claim 有冲突还请轻喷），调研了下这三种范式在自动驾驶中的应用，果不其然都有一些。
| WAM 工作 | 核心创新点 | 自动驾驶中是否已有类似工作 | 对应关系 |
|---|---|---|---|
| S-VAM | 用自蒸馏把多步视频生成压缩成单步 latent foresight，并解耦几何/语义表征。 | 有相近工作，但不完全一样。 | 自动驾驶已有 latent future / BEV future world model，例如 DriveWorld-VLA、Latent-WAM、DriveFuture。它们同样避免完整像素 rollout，转向规划相关 latent。但 S-VAM 的“从多步视频扩散自蒸馏到单步几何+语义 foresight”在自动驾驶里还不是主流标准做法。 |
| MWM | 不预测 RGB，而预测语义/掩码/结构化 future latent，并用它条件化动作扩散头。 | 非常类似，自动驾驶本来就有。 | 自动驾驶长期使用 BEV occupancy、semantic map、4D occupancy forecasting 作为 planning-friendly world state。类似工作包括 Drive-OccWorld、BEVWorld、IR-WM。这和 MWM 的“别生成好看的 RGB，生成对规划有用的语义/几何状态”高度一致。 |
| VLA-JEPA | JEPA 式 latent prediction：不重建像素，只预测未来高层表示，再服务动作。 | 已经有直接对应。 | Drive-JEPA 基本就是把 V-JEPA 思路迁移到自动驾驶：用大规模驾驶视频预训练 planning-aligned predictive representations，再接轨迹 proposal/planner。Meta 的 V-JEPA 本身也强调 latent-space prediction 而非 pixel reconstruction。 |
| Cosmos Policy | 把视频基础模型直接 fine-tune 成 policy + world model + value function，用 latent frame injection 表示动作、状态和价值。 | 有相近方向，但驾驶里还少见完全同构实现。 | 自动驾驶已有 world model + planning / value / trajectory selection 的组合，例如 DriveFuture、DriveWorld-VLA、Diffusion Planner。但 Cosmos Policy 的关键是“在同一个视频 diffusion latent sequence 中塞入 action、proprioception、future value”，驾驶里更多是 BEV latent、occupancy cost、trajectory scorer，还没有完全等价的 Cosmos-style latent frame injection。 |
| DiT4DiT | 世界 DiT 产生 hidden states，动作 DiT 读取这些 hidden states 生成动作。 | 已经非常接近。 | 自动驾驶里已有双 DiT / world-action diffusion 架构。例如 Epona 用 VisDiT 和 TrajDiT 分别生成未来视觉和轨迹；Diffusion Transformer World-Action Model for AV Scene Prediction 做 action-conditioned future scene latent prediction；Diffusion Planner 则说明 DiT 轨迹生成在驾驶规划中已经很成熟。 |
----
关于任务场景、架构、流派什么的比较meta 的东西就调研到这里。接下来的内容由具体问题引出。
----
既然共识是图文模态的预训练对驾驶任务有增益，图文模态的数据对驾驶任务的影响应该有人研究过。
VL 数据对推理驾驶 action 有增益吗？
在 VLM（视觉语言模型）的预训练或微调阶段，注入自动驾驶专用的图文或视频-文本数据（Driving-specific Image-Text Data），不仅能让模型学会“解释”场景，还能直接且显著地提升下游自动驾驶 Benchmark（如开环轨迹预测、闭环仿真驾驶）的硬性性能指标。
核心代表工作与模型
- DriveLM (OpenDriveLab & 清华):
- 做法：提出了图结构的视觉问答（Graph VQA）机制，将驾驶逻辑拆解为带有逻辑递进关系的“感知 (Perception) -> 预测 (Prediction) -> 规划 (Planning)”。
- 性能表现：研究表明，联合训练这些带有因果关系的图文数据，相比于纯视觉端到端模型，在 nuScenes 等开环 Benchmark 上的规划位移误差（L2 Error）和碰撞率显著降低。
- Lingo-1 & Lingo-2 (Wayve):
- 做法：引入了“视觉-语言-动作 (VLA)”架构，使用了包含人类专家驾驶员“自然语言解说 (Commentary)”的视频-文本数据进行训练。模型不仅学习输出控制信号，还学习同步解释“我现在为什么这么开”。
- 性能表现：在闭环驾驶评测中，引入这种语言条件和图文对齐后，车辆的违规率大幅下降，路线完成率（Route Completion）显著提升。文本数据作为一种强监督信号，帮助模型更好地对齐了视觉特征与驾驶意图。
- DriveVLM & DriveGPT4:
- 做法：引入了思维链（Chain-of-Thought, CoT）的自动驾驶图文微调数据。训练 VLM 先用语言描述场景、识别关键障碍物，再推理风险，最后输出控制规划。
- 性能表现：这种基于图文数据的训练极大地提升了模型在长尾场景（Long-tail Scenarios）（如路面异物、极端天气、非常规形态车辆）下的鲁棒性，在感知和规划 Benchmark 上的安全指标有明显跃升。
- VERDI 等蒸馏架构 (最新研究):
- 做法：并非直接用巨大的 VLM 开车，而是在训练阶段，将 VLM 对驾驶图文数据的理解和推理能力“蒸馏”到小参数的端到端（e2e）驾驶模块中。
- 性能表现：在 HugSim 或 CARLA 等闭环仿真器中，相比于没有融合语言推理的基础模型，无碰撞率（Non-Collision Rate）通常能获得10% 以上的提升。
