复旦大学数据科学学院等机构作者的预印本 Forward Dynamics Models（FDM，arXiv 2610.13117，2026-10-09）讨论的是机器人动作模型里一个设计选择：动作预测和未来状态预测之间，谁读谁。VLA 直接从当前观测和指令输出动作，训练时没有“接下来会发生什么”的监督；常见的未来条件式世界动作模型（WAM）先预测未来再推动作，推理时必须生成未来，未来预测的误差也会传进动作。FDM 把方向反过来：训练时让未来预测分支读取动作特征，未来损失经这些特征反传给策略；动作路径看不到任何未来信息，所以推理时可以完全跳过未来生成。作者报告 LIBERO 平均成功率 99.4%，在双臂 ARX-X5 机器人的五项真机任务上平均 96%（π0.5 为 83%）。以下数字均为作者报告 [R]，本站未复现。
三种依赖方向
论文表 1 用同一套记号比较三类模型：C = (O_t, L) 是当前观测与任务指令，A 是动作块，V 是未来世界状态的目标。
| 模型族 | 训练 | 推理 |
|---|---|---|
| VLA | p(A | C) | p(A | C) |
| 未来条件式 WAM | p(V | C) · p(A | C, V) | p(V | C) · p(A | C, V) |
| FDM | p(A | C) · p(V | C, A) | p(A | C) |
作者强调，这个分解只是对依赖关系的概念表述，真正起作用的是表示层的连接：未来预测分支读取的是动作专家的隐状态 H_a，不是最终输出的数值动作。未来损失对 H_a 求梯度，再传回产生 H_a 的动作专家参数，于是真实的未来状态在训练中监督了“用来生成动作的内部特征”。
实现上，两个实例都用混合 Transformer（MoT）把几个专家逐层用注意力连起来，并用非对称的注意力掩码规定谁能看谁：上下文只看上下文；动作看上下文和动作；未来生成可以看全部三组。论文还特别说明，这个限制也适用于间接路径：动作专家能读到的上下文特征，本身也不能依赖生成分支的 token。
两个实例：在 VLM 和视频生成模型上各做一个
FDM w/ VLM。 在 π0.5 上加一个随机初始化的生成专家，结构与动作专家相同。生成专家读取当前帧之前第 15 帧（按记录帧计）和当前帧的 Wan VAE 潜变量，加上上下文与动作特征，对每个相机视角直接回归当前帧之后第 15 帧图像的潜变量，用 MSE 损失，一次前向，不做视觉去噪循环。上下文专家只处理当前图像和指令，所以历史帧只服务于训练时的未来预测，部署时不需要。部署时生成专家和它的 VAE 处理都可以拿掉。
FDM w/ VGM。 在视频生成模型 Wan2.2-5B 上加一个随机初始化的动作专家。视频主干同时承担上下文处理和未来生成：当前帧潜变量保持干净，未来视频潜变量用 flow matching 加噪训练，损失只算在未来潜变量上。同一个生成专家里，当前观测 token 和未来视频 token 的注意力权限不同，动作专家只能读前者。部署时保留当前观测的处理，并在每层缓存其 key/value，每一步动作去噪只更新动作流，不分配未来视频 token。
两个实例的总损失都是动作 flow matching 损失加未来损失，权重 λ_a = λ_v = 1。训练用 8 块 NVIDIA H100，推理在 1 块 H100 上进行。两个 FDM 都没有做机器人策略预训练，而表中对比的 π0、π0.5、Motus、LingBot-VA 都做过。
结果：仿真两个基准和五项真机任务
| 基准 | 方法 | 平均成功率（%） | 同组对比 |
|---|---|---|---|
| LIBERO（4 个套件） | FDM w/ VLM | 99.4 | π0 94.1，π0.5 96.9 |
| LIBERO（4 个套件） | FDM w/ VGM | 98.1 | Motus 97.7，LingBot-VA 98.5 |
| RoboTwin 2.0（50 个任务） | FDM w/ VLM | 81.20 | π0 62.16，π0.5 79.75 |
| RoboTwin 2.0（50 个任务） | FDM w/ VGM | 89.23 | Motus 87.8，LingBot-VA 92.20 |
摘要里的“state-of-the-art 99.4%”来自 VLM 一组。分开看还有几处 FDM 并非最好：VGM 一组在 LIBERO 平均和 RoboTwin 平均上都低于 LingBot-VA，LIBERO-Long 上 FDM w/ VGM 为 94.2%，低于 Motus 的 97.6% 和 LingBot-VA 的 98.5%；RoboTwin 的 Clean 条件下 FDM w/ VLM 为 81.54%，低于 π0.5 的 82.74%，它的优势来自随机化条件（80.86% 对 76.76%）。
真机实验用双臂 ARX-X5 做五项任务：装抽屉、装箱并合盖、插两只羽毛球、叠杯、叠积木，每种方法每项任务 20 次。FDM w/ VLM 平均 96%，π0.5 为 83%；FDM w/ VGM 平均 83%，FastWAM-Joint 为 78%，DreamZero 为 71%。本站的解读是：摘要中“真机绝对提升最多 13%”与 96% 对 83% 这一组的 13 个百分点一致，论文没有写明这一对应关系。这里的 FastWAM-Joint 是作者自己实现的未来条件式 WAM，与 FDM w/ VGM 结构相同，只把跨专家注意力的方向反过来；它是一个干净的对照，但不是其他论文发布的原版模型。
消融：反传这条路径到底值多少
作者在五项真机任务上比较四种变体，用相同的训练种子，且都只做动作推理：
| 变体 | 未来监督 | 未来分支读 H_a | 未来损失经 H_a 反传 | VLM 平均（%） | VGM 平均（%） |
|---|---|---|---|---|---|
| A. 只学动作 | 否 | 否 | 否 | 83 | 66 |
| B. 只基于上下文的未来预测 | 是 | 否 | 否 | 87 | 72 |
| C. stop-gradient | 是 | 是 | 否 | 89 | 78 |
| D. 完整 FDM | 是 | 是 | 是 | 96 | 83 |
C 和 D 的前向计算完全相同，区别只在训练时梯度是否经过动作特征接口，因此 D 比 C 高出的 7 和 5 个百分点，是作者用来说明“反传监督”本身价值的证据。B 比 A 高 4 和 6 个百分点，说明单纯加未来预测的视觉共训练已有帮助；D 比 B 再高 9 和 11 个百分点，这部分混合了前向读取和反向监督两者的作用。作者另外报告，经动作接口传回的未来梯度与动作模仿梯度的余弦相似度大多为正。
误差传播和计算代价
作者在 FastWAM-Joint 的联合去噪中途向未来视频潜变量注入一次高斯噪声，观测和加噪动作块不变。扰动强度 α = 1.0 时，动作误差在 LIBERO 上增加 4.44%，RoboTwin 上增加 5.52%，五项真机任务上增加 0.22%（Box）到 1.17%（Cup）；小扰动在 LIBERO 和 Box 上反而让误差略降。作者没有报告对 FDM 的这项测量：动作路径从不读取生成的未来，所以在参数、输入和采样随机性固定时，扰动未来不会改变动作。图中 FDM 的零线是结构上的不变性，不是测量值。
| 方法 | 训练步时（s） | 峰值显存（GiB/GPU） | 推理延迟（ms/动作块） |
|---|---|---|---|
| π0.5 | 0.4436 | 67.08 | 203.77 |
| FDM w/ VLM | 0.6305（+42.14%） | 72.04 | 202.98 |
| FastWAM-Joint | 0.9754 | 66.80 | 446.55 |
| FDM w/ VGM | 0.9729（−0.26%） | 66.80 | 253.45（1.76 倍加速） |
两条路线的代价落在不同地方：VLM 版推理延迟与 π0.5 持平，但训练每步慢 42.1%；VGM 版训练成本基本不变，推理因省掉未来视频生成而比 FastWAM-Joint 快 1.76 倍（正文写作 1.8 倍）。
和站内已有内容的关系
物理AI实验室 1.6：模仿学习讲的是行为克隆和动作分块：策略从示范学“看到什么、做什么”。FDM 指出的正是这种训练缺了“做了之后会怎样”的信号，它补这个信号的方式不改变部署时的动作推理：仍然只从当前观测和指令去噪出动作块。
前沿雷达此前介绍的 HWAM 走了另一条路：它把执行后的本体状态和动作拼在一起联合去噪，动作通道可以看到部分去噪的状态通道。FDM 则明确禁止动作读取任何未来信息。两篇论文的预测目标（本体状态与未来图像/视频潜变量）、平台和任务都不同，数字不能互相比较；可以并排看的是依赖方向这一设计维度。
读真机数字时，可以用 物理AI实验室 1.8：评测里的问题去问：每种方法每项任务 20 次，五项合计 100 次；所读正文没有给出置信区间或不同训练种子之间的波动，消融各变体之间几个百分点的差距，有多少落在抽样误差之内，论文没有回答。
局限 / 注意
- 这是 arXiv 预印本，全部数字为作者报告 [R]，本站没有复现。论文列出了项目页，本站没有核对。
- FastWAM-Joint 是作者自己的实现，扰动分析和效率对比都基于它，不代表其他已发布 WAM 的表现。
- FDM 对未来扰动“不敏感”是结构上成立的，不是实验测得；FastWAM-Joint 在 α = 1.0 时动作误差的增幅在 0.22% 到 5.52% 之间，这个量级对闭环成功率的影响，论文没有单独测。
- FDM 没有做机器人策略预训练，基线做过；两者训练设置不同，表中差距不能完全归因于依赖方向。
- 真机部分只有一台双臂 ARX-X5、五项任务，未报告置信区间；消融只比较平均成功率。
- 本站所读文本在附录 A.5 处截断，不含附录 C（训练超参数）、附录 D（硬件与任务细节）和附录 E（RoboTwin 逐任务结果）。
- 论文的 AI 使用声明写明，生成式 AI 只用于辅助写作、LaTeX 排版和信息检索，未用于方法、实验、代码、数据处理或结果解读。
