机器人整理桌面时，不能只看眼前一帧：杯子刚被挪过没有、任务做到哪一步，都藏在此前的画面里。但回看越久，出手越慢。Long-WAM把这对矛盾放进同一套系统设计：既延长视觉记忆，也控制等待时间。
关键发现是，“看得到历史”不等于“会利用历史”。团队先做自回归预训练——让模型按时间顺序根据过去预测未来，再把这种能力用于世界—动作模型，也就是同时理解环境变化并生成机器人动作的模型。作者报告，在RoboCasa GR-1测试中，把视觉历史从0延至19.2秒，成功率由63.3%升至78.7%；采用双向预训练的版本则没有净提升。这说明长记忆的价值，很大程度取决于模型是否提前学会从历史推断下一步。
长记忆还得跟得上现实。Long-WAM一边执行动作，一边处理新画面，并针对不同硬件加速。作者称，在RTX 5090上，每段动作连同未来画面预测耗时107.4毫秒。结果仍来自论文作者自述，但它提出了一个值得关注的系统判断：机器人的记忆长度，不能脱离训练方式和控制延迟单独讨论。