机器人若要一边决定动作，一边预想“做完会看到什么”，通常得背着一套很重的视频生成模型。SmolWAM试图把这项能力压进边缘设备——机器人本体上的有限算力硬件，减少对服务器和网络的依赖。
它从20亿参数的 Cosmos Policy 出发，只保留28个 Transformer 模块中的12个，并把图像先压成潜空间——较短的内部表示——再用一次推理同时读出16步动作和未来画面表示。作者报告，SmolWAM 在400次 LIBERO 机器人操作测试中成功率为95.5%，接近教师模型的98.2%；每个动作块耗时57毫秒、占用2.36 GiB 显存，延迟约降至十一分之一。
压缩后保留下来的不只是动作输出。作者称，它预测16步后画面的潜表示时，相比直接复制当前画面，误差降低24%；但生成结果更擅长捕捉手臂运动，而非还原清晰纹理。需要注意的是，速度测试仍在 A100 GPU 上完成，论文尚未给出真实端侧硬件上的运行结果。