新框架用人类视频在测试时引导机器人世界动作模型。
资讯摘要
论文提出 WAM-TTT，一种从原始人类视频引导世界动作模型（WAM）的测试时训练框架。它不把人类视频当作模仿轨迹，而是通过自监督视频预测将其吸收进冻结 WAM 内的轻量自适应记忆；并用配对人机数据与键值记忆重建目标做元训练，使记忆对齐机器人行为。测试时仅需无标注人类视频即可适配记忆，无需机器人动作、人工标注或任务微调。作者报告其在多种操作任务与泛化设置上优于上下文人类视频条件基线。
要点速读
- WAM-TTT 通过自监督视频预测，将人类视频写入冻结 WAM 内的轻量自适应记忆。
- 元训练阶段用配对人机数据和键值记忆重建目标，把人类演示与机器人行为对齐。
- 测试时只需无标注人类视频适配记忆，无需机器人动作、人工标注或任务微调；作者报告其优于上下文人类视频条件基线。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/27 08:00:28（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。