一套模型，既想后果，也想动作
假设机器人要把一块侧躺的 T 形积木推到桌子中央，再把它摆正。它不能只想“下一步往哪推”，还得判断：这样推下去，积木会不会转过头、滑过界，或者卡在错误的位置。任务一长，预测的小误差还会一层层累积。
FLEX-WAM 想把这些工作交给同一套模型。它既预测“执行这个动作后，世界会怎样”，也生成“为了目标，下一步可以做什么”，还能在内部试走多条路线后再选择。这类系统叫世界—动作模型（World-Action Model，WAM），可以理解为把环境模拟器和行动决策器装进同一个大脑。
更值得注意的是它的结构：同一个模型可以按帧慢慢生成，也可以一次处理一块未来；可以读取长短不一的历史，还能在部署时调整速度与预测质量之间的取舍，无需重新训练。以下结果均来自 Khorrambakht 等人的论文；部分实验仍是模型内部的“想象成功”，不能直接等同于现实执行成功。
关键不是预测更远，而是随时换挡
传统的自回归生成每次预测下一步，再把结果接回输入，继续预测后一步。它适合流式运行，但走得越远，误差越容易积累。另一种做法是同时查看整段预测区间，让未来各帧彼此协调，画面通常更连贯，却常被固定的预测长度绑住，也不利于缓存历史计算。
FLEX-WAM 用“块因果结构”折中。它把时间序列切成连续的块：同一块内的帧可以双向参考，块与块之间则严格遵守先后顺序。好比写行程时，一天之内可以来回协调安排，但第二天只能建立在前一天之后。
训练时，模型随机接触不同大小的块。部署时，使用者再决定怎样运行：块大小为 1，就是逐帧预测；块更大，就能并行生成一段未来，提高吞吐量。论文在 Unitree G1 数据上一次并行去噪 16 帧，发现块内双向注意力越强，时间上的平滑性和与真实数据的一致性越好。作者同时观察到，有历史画面可参考时，模型对未来帧之间相互参考的依赖会降低。
模型还支持 KV cache——把已经处理过的历史信息暂存在“草稿纸”上，后续生成不用反复重算。配合 axial attention（轴向注意力，即把空间与时间方向分开处理）和 blockwise diffusion forcing（按块设置扩散噪声，让模型练习修复不同完整程度的片段），它可以逐帧或逐块持续滚动。
这里要区分两个说法：架构允许持续自回归生成，不等于实验已经证明它能无限稳定运行。论文实际展示的是最长 1024 步的解码结果，并声称系统能稳定滚动数千步。
为什么“听动作”比“像真的”更难
联合训练有一个隐蔽问题：模型可能生成很像真的未来，却没有认真听从给定动作。连续画面本来就高度相似，模型只靠画面惯性也能猜出一个看似合理的下一帧。对视频生成来说，这未必显眼；对机器人模拟器来说却很危险，因为规划所依赖的正是“不同动作会导致不同结果”。
FLEX-WAM 同时学习状态与动作，两种训练目标会争夺同一组网络参数。作者先测量它们在不同噪声条件下产生的梯度——也就是各自推动模型更新的力量——再校准权重，避免其中一方长期压过另一方。
团队还设计了 Forward-Dynamics elasticity（FD elasticity，前向动力学弹性）。它不是直接衡量画面漂不漂亮，而是探测模型的内部状态会不会随动作变化，可作为“模型究竟听不听动作”的训练期传感器。
训练因此分成两段。第一段只训练世界模型，让它先学会动作与后果之间的关系。第二段再加入生成动作等其他模式，同时用 FD elasticity 反馈调节世界模型样本的比例，把动作敏感度维持在纯世界模型峰值的 90%附近。实验中，这个采样比例从接近 1 逐渐收敛到约 0.2；普通联合训练没有反馈时，动作响应能力则在达到较低峰值后继续下降。
真能在“脑内”完成长任务吗？
作者把 FLEX-WAM 同时用作动作提议器和模拟器，再接入 MCTS（Monte Carlo Tree Search，蒙特卡洛树搜索）。搜索器让模型提出多种可行动作，在想象中展开后果，然后逐步保留更有希望的路线。这类似下棋前试走多条分支，只是棋盘变成了机器人看到的画面。
在真实机器人数据构成的 PushT 任务中，模型找到一条把侧躺 T 形物推到桌面中央并摆正的想象计划。论文没有报告这条计划在真实系统上的闭环执行结果。
在 OGBench 的五个 Puzzle-4x4 任务上，每项任务需要按下 4 至 7 个按钮。规划器在 100 次评测中有 80 次让想象中的最终棋盘达到目标，五项任务分别成功 17/20、17/20、14/20、14/20 和 18/20；计划平均长度为 157 帧，范围是 72 至 240 帧。这里的成功标准仍是“模型想象中的终态到达目标”，现实执行留待未来工作。
生成质量方面，作者在 LIBERO 上比较 UWM 与 Cosmos-Policy。以表中最远预测位置为例，UWM 的 SSIM/PSNR 为 0.599/15.6 dB，Cosmos-Policy 为 0.587/16.5 dB；FLEX-WAM 在块大小 1、8、16 时分别达到 0.764/19.9、0.778/20.5 和 0.776/20.5。SSIM 和 PSNR 都用于衡量预测图像与真实图像的接近程度，数值越高越好。论文在列出的全部预测位置上都报告了更高结果，其中块大小 8 的整体表现最好。不过，延迟部分没有在供稿表格中保留可核对的具体数值，因此只能确认作者称其延迟具有竞争力，不能判断优势究竟有多大。
同一个 checkpoint，还能发现自己哪里不懂
在基于 OpenArm 的双臂机器人上，作者用两小时遥操作玩耍数据训练模型。部署时，同一个 checkpoint——一次训练后保存的模型版本——一边充当 play policy，生成与数据中相似的随机动作，一边预测这些动作应该产生什么结果。
真实相机画面回来后，系统比较预测与现实。如果两者差得很远，就把这段经历记下来。论文展示了一个例子：模型在下一时刻凭空预测出一个可抓取的盒子，而真实观察中并没有它。这种自动收集“模型—现实不匹配”样本的机制，为以后针对薄弱处继续训练提供了材料。
但它目前只是发现并收集错误，不代表模型已经能在线自我改进。论文也把如何利用这些样本持续学习留作后续方向。
为什么值得关注
FLEX-WAM 的推进不只在于某项分数，而在于把几种原本彼此牵制的需求放进同一架构：它可以生成动作，也可以预测动作后果；可以逐帧低延迟运行，也可以成块提高吞吐；还能作为搜索中的动作提议器与模拟器。块大小成了部署时的“换挡杆”，不必为了不同工作方式分别训练模型。
更重要的是，论文没有把“画面看起来合理”当作充分条件，而是正面处理模型对动作不敏感的问题。对需要规划的机器人而言，未来像不像只是第一关；未来是否真的随指令改变，才决定内部模拟能不能用于决策。
局限与未知
- 论文的长任务成功主要发生在模型想象中。Puzzle-4x4 计划尚未在真实系统闭环执行，PushT 也未提供现实执行成功率。
- 生成质量有具体指标，但延迟比较缺少可核对的数值、方差与统计显著性；“实时”和“更优”仍需结合完整基准审视。
- OpenArm 案例只证明系统能发现并收集预测错误。利用这些数据持续改进模型，以及改进后是否更可靠，都还没有得到验证。