分层的人形机器人系统里，VLA 或世界动作模型（WAM）输出的是给底层全身控制器的参考动作，机器人实际做出的动作还要经过跟踪控制、动力学、平衡和接触，两者可能不一致。LimX Dynamics 团队的预印本 HWAM（arXiv 2610.12026，2026-10-08）把这个差距称为“动作–执行差距”，做法是让模型在生成参考动作的同时，生成执行后测得的本体状态，并用前向、逆向动力学两条视频路径把这条联合轨迹和画面变化接起来。作者报告，在 LimX OLI 人形机器人的三项真机任务上，HWAM 的成功率都是所比方法中最高的，其中 Candy Picking 为 70.6%，Fast-WAM 为 43.3%。以下数字均为作者报告 [R]，本站未复现。
动作–执行差距：高层给的是参考，不是实际动作
论文采用的分层接口是：高层的视觉–语言–动作策略根据画面、语言指令和当前本体状态，在运动学空间里生成参考轨迹；底层的全身跟踪控制器用实时本体反馈，按执行时的动力学调整这些参考，再通过关节伺服驱动机器人。因此论文中的动作 a_t 是交给底层跟踪控制器的运动参考，不是直接施加在执行器上的力矩，也不假定能逐点实现。作者举的例子是：参考轨迹同时要求躯干移动和手臂伸出，底层控制器为了保持平衡调整躯干，手在接触时的轨迹也随之改变。
作者认为，如果不显式建模实际到达的身体状态，未来画面预测就得同时解释两件事：场景怎样变化，以及参考动作和实际动作之间差了多少，于是很难把一个动作和它的物理结果对应起来。为了说明差距确实存在，论文比较了记录数据中每个指令关节参考 a_t 与对齐的执行后本体状态 s_{t+1} 的平均绝对误差（MAE）：
| 平台 | 直接 MAE（°） | 稳态 MAE（°） |
|---|---|---|
| LimX OLI（移动人形机器人） | 4.420 | 2.885 |
| ALOHA（固定双臂） | 0.648 | 0.402 |
“稳态”指关节参考近似恒定时的同一种配对。两个平台都有非零误差，移动人形机器人上的差距更大。作者把它作为建模执行后状态、而不是假设精确跟踪的动机。论文称完整的测量协议和逐关节统计在附录 A；本站所读的论文 HTML 版只给出上表的汇总值。
方法：把执行后状态放进生成目标，再用三条路径接上画面
联合状态–动作目标
对 H 步的预测时域，HWAM 把动作块 [a_t, …, a_{t+H-1}] 和状态块 [s_{t+1}, …, s_{t+H}] 沿特征维拼接，每个时间位置是 [s_{t+h+1}; a_{t+h}]。状态和动作通道在 token 投影之前拼接，由同一个状态–动作生成器、用同一个噪声水平一起去噪。作者的说法是：这样每一步去噪时，动作通道都能看到当前部分去噪的状态通道，状态监督也会影响用来生成动作的表示。论文同时说明，这种构造不显式学习底层动力学模型，也不施加单独的物理一致性约束；而且联合目标单独使用时不被假定有效，要靠下面的视觉路径接地。
两个专家、三条训练路径
模型由视频专家（WanVideoDiT）和状态–动作专家（ActionDiT）组成，两者参数分开，通过随路径变化的掩码交叉注意力交换信息，沿用 Fast-WAM 等此前 WAM 的混合专家接口。多视角画面由冻结的因果 Wan2.2 VAE 编码为当前和未来的视觉潜变量，语言用 UMT5-XXL 嵌入，与当前本体状态一起作为两个专家共享的条件。三条路径共享专家和参数，只是生成目标和可见条件不同：
| 路径 | 可见条件 | 生成目标 |
|---|---|---|
| Policy | 当前画面、语言、当前本体状态 | 状态–动作轨迹；不生成未来视频，与部署条件一致 |
| 前向动力学（FDM） | 当前画面、状态–动作轨迹、条件 | 未来视频 |
| 逆向动力学（IDM） | 当前与未来画面、条件 | 状态–动作轨迹 |
两种生成模态都用条件 flow matching 训练，状态和动作误差不加额外权重直接平均。每个 minibatch 均匀抽一条路径（各 1/3，权重均为 1）。FDM 让画面预测以实际到达的状态为条件，而不只以指令为条件；IDM 反过来，从画面变化推出动作和它造成的身体状态。部署时，预测的状态继续参与联合去噪，但只有动作被发给底层控制器。
真机结果：LimX OLI 上的三项任务
LimX OLI 是全尺寸人形机器人，全身动作空间 31 自由度（含两条 7 自由度手臂），配 BrainCo 灵巧手；策略输入头部和腕部相机的 RGB 画面、语言指令和当前本体状态。三项任务中，Candy Picking（按指令颜色取糖放进对应托盘区域）和 Object Collection（把桌上四件物体都放进篮子）是固定位置操作，Plush-Toy Picking 是需要全身协调的移动操作。各任务训练集分别为 1,783、4,220 和 404 个回合；Candy Picking 另有 422 个留出回合，只用于离线诊断。两个专家微调 6 个 epoch，AdamW，学习率 10⁻⁴，全局批量 128，用 16 块 A800 GPU，实现基于 FluxVLA Engine。
| 方法 | 额外机器人数据预训练 | Candy Picking | Object Collection | Plush-Toy Picking |
|---|---|---|---|---|
| Cosmos3-Edge | 是 | 15.8 | 0.0 | 56.7 |
| GR00T N1.5 | 是 | 40.5 | 42.5 | 60.0 |
| π0.5 | 是 | 62.5 | 45.0 | 60.7 |
| Fast-WAM | 否 | 43.3 | 0.0 | 60.0 |
| DiT4DiT | 否 | 52.5 | 15.0 | — |
| HWAM | 否 | 70.6 | 46.7 | 73.3 |
表中为真机成功率（%），“—”表示论文未报告或未核实。相对 π0.5，HWAM 的差距是 Candy Picking 8.1、Object Collection 1.7、Plush-Toy Picking 12.6 个百分点。在 Object Collection 上，Cosmos3-Edge 和 Fast-WAM 没能完成任务要求的抓篮子动作，所以全任务成功率为 0%。Fast-WAM 被作者视为最接近的 WAM 基线：它同样用视频共训练，部署时不合成未来视频。
只有 Candy Picking 给出了试验次数和 95% Wilson 置信区间：HWAM 84/119（区间 61.9–78.0%），π0.5 75/120（53.6–70.6%），Fast-WAM 52/120（34.8–52.3%），GR00T N1.5 49/121（32.2–49.4%）。作者说明这些区间假设各次试验是独立的伯努利试验，不衡量训练种子之间的差异。本站的读法是：HWAM 与 π0.5 的区间有重叠，π0.5 的上限正好是 HWAM 的点估计；区间重叠不是显著性检验，但说明仅凭这组试验，8.1 个百分点的差距仍有相当的不确定性。本站所读的论文 HTML 版没有给出另外两项任务的试验次数。
ALOHA 叠衣服
论文还在 ALOHA 双臂平台上评测了 Clothes Folding：任务专用训练集 640 条示范，按 0–100 分计分，完成部分折叠阶段也给分。HWAM 得 86.00 分，GR00T N1.5 为 78.75，π0.5 为 77.00，Fast-WAM 为 66.25，π0 为 65.00，GR00T N1.7 为 58.75，SmolVLA 为 51.25。作者明确说明这是在 ALOHA 上专门训练的结果，不是从 OLI 平台零样本迁移。
消融与离线诊断：联合目标要和三路径训练搭配
在移动操作任务 Plush-Toy Picking 上，作者做了 2 × 2 消融：预测目标是只有动作还是联合状态–动作，训练方式是 VGM/Policy（未来视频生成加 Policy 目标联合优化）还是 FDM/IDM/Policy，其余设置固定。
| 预测目标 / 训练方式 | VGM/Policy | FDM/IDM/Policy |
|---|---|---|
| 只有动作 | 60.0 | 55.0 |
| 联合状态–动作 | 45.5 | 73.3（HWAM） |
加入状态预测的效果取决于训练方式：在 VGM/Policy 下，成功率从 60.0% 降到 45.5%；在 FDM/IDM/Policy 下，从 55.0% 升到 73.3%。两种效果相差 32.8 个百分点。作者据此支持在所评测的设置中把联合目标和三路径训练组合使用，同时说明这个消融评估的是整体组合，不能区分单条路径或架构选择各自的贡献。本站所读的论文 HTML 版没有写出消融各配置的试验次数。
离线诊断在 Candy Picking 的留出回合上进行，用 4 步去噪，在前 31 个共享关节上按度计算 MAE。32 步动作块上平均，HWAM 的动作 MAE 为 3.816°，只预测动作的 FDM/IDM/Policy 为 4.024°；作者报告，加入状态监督在所有评测的训练方式下都降低了动作 MAE。注意，开环诊断和闭环消融用的是不同任务，开环 MAE 降低不能直接推出闭环成功率提高：VGM/Policy 加状态在闭环消融中反而变差。
未来视频预测在 12 个留出回合、抓取闭合前的时间窗上评估。用模型自己预测的轨迹作条件时，各配置的 PSNR 在 20.345 到 20.844 之间，HWAM 为 20.501，没有画质优势；作者也说明这些数字不能解释闭环成功率的差异。用真实轨迹作条件时，同时以动作和执行后状态为条件的 HWAM 为 23.336，只用动作的模型为 20.559，作者把它作为“以实际状态为条件有助于预测画面结果”的证据。
和站内已有内容的关系
课程物理AI实验室 0.3：看-想-动，把三个频率放回各自的系统讲过，机器人的“想”和“动”分属不同层级、不同频率。HWAM 补上的是这两层之间的另一面：高层发出的参考，底层不一定按原样执行，而高层要学会这种偏差。物理AI实验室 1.6：模仿学习讲过动作分块；HWAM 的状态–动作块就是在动作块的每个位置上再并一个执行后状态。
前沿雷达此前介绍的ReCo处理的是四足移动操作中类似的接口问题，但路线不同：ReCo 训练行走策略作出可重复的响应，再辨识它的闭环响应模型交给 MPC；HWAM 不辨识底层动力学，而是把测得的执行后状态当作和动作一起生成的变量，预测的状态也不发给控制器。两篇论文的平台、任务和指标都不同，数字不能互相比较。
局限 / 注意
- 这是 arXiv 预印本，全部数字为作者报告 [R]，作者均来自 LimX Dynamics（其中一位同时署名南方科技大学）；论文称评测平台为 LimX OLI 人形机器人。本站没有复现任何结果。论文称代码、数据集和项目页已公开，本站没有核对。
- 只有 Candy Picking 给出了试验次数和置信区间；区间只反映试验抽样，不反映训练种子差异。Object Collection 上相对 π0.5 只高 1.7 个百分点，本站所读的论文 HTML 版没有给出它的试验次数。
- 消融只在一个任务上做，只比较整体组合，不能区分 FDM、IDM、Policy 各自的贡献。
- HWAM 不显式辨识底层动力学，预测的状态不发给控制器；它在画面预测质量上也没有优势。
- Candy Picking 按运动方向和工作区域的细分是任务内细分，不是留出空间划分的评测。ALOHA 结果是任务专用训练，不是跨平台零样本迁移。
- 论文的 AI 使用声明写明，生成式 AI 工具参与了代码实现、写作编辑和投稿前对方法与实验报告的反馈；作者表示对最终内容负责。
