arXiv cs.AI· Zhuohao Li, Jiawei He, Yuxuan Yan, Lang Zhou, Yinghao Li, Yanrui Li, Tianyu Zhang, Yi-Yang Song, Xirui Wu andYi-Lin Wei, Fating Hong, Qing Zhang, Zhilin Zhao, Jingdong Wang, Wei-Shi Zheng·· 11 小时前AI 评分31
TaskWAM：用 Mode Tokens 与 State Tokens 引导世界-动作模型走向预期未来
Plausible Future, Wrong Choice: Steering World-Action Models toward Intended Future
AI 导读
针对世界-动作模型（WAM）在长程操作中出现的“阶段混淆”问题，研究者提出闭环、阶段感知框架 TaskWAM，用 Mode Tokens 表示细粒度任务要求、用 State Tokens 跟踪执行进度，构成结构化任务状态以引导世界-动作生成。
正文 · AI 翻译
作者：Zhuohao Li、Jiawei He、Yuxuan Yan、Lang Zhou、Yinghao Li、Yanrui Li、Tianyu Zhang、Yi-Yang Song、Xirui Wu andYi-Lin Wei、Fating Hong、Qing Zhang、Zhilin Zhao、Jingdong Wang、Wei-Shi Zheng
摘要：World-Action Models（WAMs）通过联合建模未来世界演化与机器人动作，已成为实现具身通用策略的一种有前景的范式，可覆盖多样化的操作任务。然而，表示多样化的未来只是第一步：一个能力强的 WAM 还必须生成符合当前任务要求和执行进度的未来。在长时程操作中，相似的观测-动作片段会出现在不同任务和阶段，现有方法可能生成局部看似合理但方向错误的 rollout，从而漂移到错误的任务阶段，即我们称之为 Stage Confusion 的现象。为解决这一问题，我们提出 TaskWAM，一个闭环、阶段感知的框架，它用 Mode Tokens 表示细粒度任务要求，用 State Tokens 跟踪执行进度，形成结构化的任务状态，以引导世界-动作生成朝向预期的未来。我们进一步引入 StageBench，一个受控的多阶段操作基准，具有参数化的阶段变化和自动化 this http URL 实验，在仿真基准和真实世界任务上均表明，TaskWAM 有效减少了混淆，并取得了与最先进方法相当的性能。此外，TaskWAM 在异构 WAM 架构和机器人具身形态之间提供了强大的即插即用迁移能力，包括单臂机器人、双臂夹爪、灵巧手和人形机器人。
| 主题： | 机器人学（cs.RO）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.28431 [cs.RO] |
| （或 arXiv:2610.28431v1 [cs.RO] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.28431 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Zhuohao Li [查看邮箱]
[v1]
2026年10月20日 星期二 15:58:45 UTC（31,655 KB）
来源：arXiv cs.AI · arxiv.org