論文の概要: Faster-WAM: Do World Action Models Need Deep Action Modules?

• arxiv url: http://arxiv.org/abs/2608.02365v1
• Date: Mon, 03 Aug 2026 15:11:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.621188
• Title: Faster-WAM: Do World Action Models Need Deep Action Modules?
• Title（参考訳）: Faster-WAM: 世界アクションモデルは深いアクションモジュールを必要とするか?
• Abstract要約: World Action Models (WAM) は、ロボットアクション予測とビデオワールドモデルを組み合わせたモデルである。 既存のWAMは、共有バックボーンとMixture-of-Transformersの設計で、アクションモジュールの深さとビデオバックボーンの深さを結びつけるのが一般的である。 ビデオ中心の設計原理であるDock of Transformer(DoT)を導入し,ビデオトランスフォーマーを表現ハブとして扱う。
• 参考スコア（独自算出の注目度）: 8.57861130179148
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: World Action Models (WAMs) couple robot action prediction with video world models. Existing WAMs with shared-backbone and Mixture-of-Transformers designs generally tie the depth of the action module to that of the video backbone, resulting in substantial computational overhead and high inference latency. To address this limitation, we introduce Dock of Transformer (DoT), a video-centric design principle that treats a pretrained video Transformer as a representation hub and connects lightweight output-heads through docking interfaces. This enables flexible output-head design while providing direct access to representations from all layers of the backbone. We then introduce \textbf{Faster-WAM}, an instantiation of DoT for WAMs, which docks a single-layer action head onto a 30-layer video backbone. The docking interface fuses keys and values from all video layers and applies RoPE realignment. Without additional embodied pretraining, Faster-WAM achieves competitive performance on LIBERO and RoboTwin 2.0 while demonstrating strong out-of-distribution generalization on LIBERO-Plus. Faster-WAM also achieves the lowest end-to-end latency in our controlled comparison, requiring only 66.5 ms per inference --- a \(3.2\times\) speedup over Fast-WAM. Overall, these results demonstrate that the video-centric DoT architecture supports flexible task-specific head design while delivering low inference latency, strong action-prediction performance, and robust generalization.
• Abstract（参考訳）: World Action Models (WAM) は、ロボットアクション予測とビデオワールドモデルを組み合わせたモデルである。 既存のWAMと共有バックボーンとMixture-of-Transformersの設計は、一般的にアクションモジュールの深さをビデオバックボーンの深さに結びつける。 この制限に対処するため,ビデオ中心の設計原則であるDock of Transformer(DoT)を導入し,ビデオトランスフォーマーを表現ハブとして扱い,ドッキングインターフェースを通じて軽量出力ヘッドを接続する。 これにより、バックボーンの全レイヤからの表現に直接アクセスしながら、柔軟な出力ヘッド設計が可能になる。 次に、WAM用DoTのインスタンス化である‘textbf{Faster-WAM}を導入し、30層のビデオバックボーンに単一層アクションヘッドをドッキングする。 ドッキングインターフェースは、すべてのビデオレイヤからキーと値を取り除き、RoPE再配置を適用する。 追加の具体的事前訓練がなければ、Faster-WAMはLIBEROとRoboTwin 2.0上での競争性能を達成し、LIBERO-Plus上での配布外一般化を強く示す。 Faster-WAMはまた、制御された比較において最小のエンドツーエンドレイテンシを実現し、推論あたり66.5ミリ秒 --- a \(3.2\times\) を Fast-WAM上で高速化する。 これらの結果は、ビデオ中心のDoTアーキテクチャがフレキシブルなタスク固有のヘッドデザインをサポートしながら、低推論レイテンシ、強力なアクション予測性能、堅牢な一般化を実現していることを示している。

関連論文リスト

• StreamPI: Streaming Multimodal Temporal Modeling for Vision-Language-Action Models [84.17128030384099]
  StreamPIはストリーミングマルチモーダル時間モデリングフレームワークである。 追加パラメータを導入することなく、単一フレームのVLAに時間的推論能力を持たせる。 メモリ依存および正確な認識シナリオにまたがる実ロボットタスクの実験とシミュレーションベンチマークのLIBEROは、StreamPIが様々なタスクでpi0.5より優れていることを示した。
  論文  参考訳（メタデータ） (2026-08-26T17:33:19Z)
• LeapBot-WA: World-Anchor Action Models via Predictive Latent Alignments [41.26480439505561]
  世界行動モデル(WAM)は、インテリジェンスを具現化する強力なパラダイムとして登場した。 モデルにタスク非関連の視覚的詳細を再構築させると、表現能力が低下し、視覚的邪魔者に対して脆弱なポリシーが現れる。 本稿では,JEPA(Joint-Embedding Predictive Architecture)をワールドアンカーとして運用することで,WAMの新たな予測-遅延パラダイムを確立するLeapBot-WAを提案する。
  論文  参考訳（メタデータ） (2026-07-27T03:36:45Z)
• FlexViT: A Flexible FPGA-based Accelerator for Edge Vision Transformers [0.6741942263052466]
  資源制約のあるエッジデバイス上での効率的なViT推論のための再構成可能なFPGAアクセラレータFlexViTを提案する。 本稿では,実行時にコンピュータアレイを再構成することで,入力と重量の再利用を切り替えるデュアルモードデータフローを提案する。 PYNQ-Z2 FPGA 上で FlexViT を実装し,それを代表的な ViT モデルで評価する。
  論文  参考訳（メタデータ） (2026-06-30T16:43:02Z)
• Metis: A Generalizable and Efficient World-Action Model for Autonomous Driving and Urban Navigation [80.18527639791074]
  世界アクションモデルは、自動運転と都市ナビゲーションに非常に有望だ。 既存のアプローチには、重要な制限がある。 我々は,映像生成とアクション予測を分離するエンドツーエンドのWAMフレームワークであるMetisを提案する。
  論文  参考訳（メタデータ） (2026-06-14T15:40:49Z)
• Light-WAM: Efficient World Action Models with State-Fusion Action Decoding [15.384126562001027]
  Light-WAMは、効率的なロボット操作のための軽量なワールドアクションモデルである。 コンパクトなビデオバックボーンで構築され、ダウンサンプリングされた潜在空間で将来のビデオ監視を行う。 実験により、Light-WAMはLIBERO上で強力な性能を維持し、RoboTwin 2.0上で使用可能なマルチタスク性能を実現している。
  論文  参考訳（メタデータ） (2026-06-06T15:58:12Z)
• minWM: A Full-Stack Open-Source Framework for Real-Time Interactive Video World Models [51.45338589543413]
  minWMはリアルタイムインタラクティブなビデオワールドモデルを構築するためのフルスタックのオープンソースフレームワークである。 minWMは既存の双方向T2V/TI2Vビデオ基盤モデルをカメラ制御可能な数ステップの自己回帰世界モデルに変換する。
  論文  参考訳（メタデータ） (2026-05-28T17:27:03Z)
• TBT-Former: Learning Temporal Boundary Distributions for Action Localization [1.2461503242570642]
  時間的境界変換器 (TBT-Former) は時間的行動ローカライゼーションのための新しいアーキテクチャである。 GFL(Generalized Focal Loss)の原則にインスパイアされたこの新しいヘッドは、境界回帰の難しいタスクを、より柔軟な確率分布学習問題として再考する。 TBT-Formerは、競争力の高いTHUMOS14とEPIC-Kitchens 100データセットに新たなレベルのパフォーマンスを設定できる。
  論文  参考訳（メタデータ） (2025-12-01T05:38:13Z)
• H$_{2}$OT: Hierarchical Hourglass Tokenizer for Efficient Video Pose Transformers [124.11648300910444]
  Heerarchical Hourglass Tokenizer (H$_2$OT) と呼ばれる階層的なプラグアンドプレイプルーニング&ドル回復フレームワークを提案する。 提案手法は汎用的であり,Seq2seqおよびSeq2frameパイプラインの共通VPTモデルに容易に組み込むことができる。
  論文  参考訳（メタデータ） (2025-09-08T17:59:59Z)
• Efficient Multi-Instance Generation with Janus-Pro-Dirven Prompt Parsing [53.295515505026096]
  Janus-Pro-driven Prompt Parsingは、テキスト理解とレイアウト生成をブリッジするプロンプト解析モジュールである。 MIGLoRAはパラメータ効率の良いプラグインで、低ランク適応を UNet (SD1.5) と DiT (SD3) のバックボーンに統合する。 提案手法はパラメータ効率を維持しつつCOCOおよびLVISベンチマークの最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-03-27T00:59:14Z)
• Towards Scalable Modeling of Compressed Videos for Efficient Action Recognition [6.168286187549952]
  提案するハイブリッドなエンドツーエンドフレームワークは,3つの重要な概念にまたがって学習を分解し,推論コストを先行技術に対して330倍に削減する。 実験により,本手法は最先端のビデオ認識性能を実現する軽量なアーキテクチャを実現することが示された。
  論文  参考訳（メタデータ） (2025-03-17T21:13:48Z)
• Full-Duplex Strategy for Video Object Segmentation [141.43983376262815]
  Full- Strategy Network (FSNet)はビデオオブジェクトセグメンテーション(VOS)のための新しいフレームワークである 我々のFSNetは、融合復号ステージの前に、クロスモーダルな機能パス(すなわち、送信と受信)を同時に実行します。 我々のFSNetは、VOSとビデオの有能なオブジェクト検出タスクの両方において、他の最先端技術よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-08-06T14:50:50Z)
• Motion-Attentive Transition for Zero-Shot Video Object Segmentation [99.44383412488703]
  ゼロショットオブジェクトセグメンテーションのためのモーション・アテンタティブ・トランジション・ネットワーク(MATNet)を提案する。 モーション・アテンティブ・トランジション (MAT) と呼ばれる非対称のアテンションブロックは、2ストリームエンコーダ内に設計されている。 このように、エンコーダは深く相互に作用し、物体の動きと外観の間の密な階層的な相互作用を可能にする。
  論文  参考訳（メタデータ） (2020-03-09T16:58:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。