ProWAM：用渐进式视觉规划实现世界动作建模

ProWAM 是一种渐进式世界动作模型，通过联合预测动作与有序的稀疏视觉帧序列，解决现有世界动作模型（WAMs）在长时程预测中生成密集视频效率低下的问题。现有部分 WAMs 仅预测单张未来帧，忽略了如何逐步逼近目标，而 ProWAM 以稀疏视觉规划弥补了这一缺陷。