論文の概要: 1Step-WAM: Your World Action Model but Faster using 1-Step Action Generation

• arxiv url: http://arxiv.org/abs/2610.15625v1
• Date: Sun, 11 Oct 2026 13:50:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 17:32:57.356606
• Title: 1Step-WAM: Your World Action Model but Faster using 1-Step Action Generation
• Title（参考訳）: 1ステップWAM:1ステップアクション生成による世界アクションモデルより高速な1ステップWAM
• Abstract要約: 1Step-WAMは,マルチステップ動作を1つの前進に変換するフレームワークである。 1Step-WAMは、トレーニング可能なパラメータが約13.4Mで、多段階のタスク成功をほぼ維持できることを示す。
• 参考スコア（独自算出の注目度）: 24.55207775458763
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: World Action Models (WAMs) unify visual world modeling and action generation, yet their real-world deployment is heavily bottlenecked by iterative action denoising and the sequential execution of visual prefilling and action prediction. We demonstrate that the action-denoising trajectories in WAMs are approximately straight, rendering the first-step velocity a strong estimate of the final action direction. Building on this observation, we introduce 1Step-WAM, a framework that transforms multi-step action denoising into one single forward. Specifically, we employ a lightweight calibrator to directly correct the first step velocity, and use bandwidth-constrained action decoding to further reduce errors in the calibrated one-step actions. Compressing action generation into a single step enables it to execute in parallel with visual prefilling, completely breaking the sequential bottleneck of the traditional imagination-then-action paradigm. Evaluations on RoboTwin and LIBERO show that 1Step-WAM largely preserves multi-step task success with only about 13.4M trainable parameters, while achieving inference speedups of $7.44\times$, $5.98\times$, and $24.84\times$ for FastWAM, ImageWAM and Kairos, respectively. Furthermore, real-world robotic deployments using the FastWAM backbone confirm a consistent 7.44$\times$ speedup while maintaining close success rate to the multi-step baseline. Code is avaliable at https://github.com/changdong1687/1Step-WAM.
• Abstract（参考訳）: World Action Models (WAM) は、ビジュアルワールドモデリングとアクション生成を統一するが、実世界の展開は反復的なアクション認知と、視覚的プリフィルとアクション予測のシーケンシャルな実行によって非常にボトルネックになっている。 我々は, WAMにおける行動減少軌道がほぼ直線であることを示し, 第1ステップの速度を最終動作方向の強い推定値とする。 この観測に基づいて,マルチステップ動作を1つの前進に変換するフレームワークである1Step-WAMを導入する。 具体的には、第1ステップの速度を直接補正するために軽量な校正器を使用し、帯域制限された動作復号法を用いて、校正された1ステップの動作における誤りをさらに軽減する。 アクション生成を単一のステップに圧縮することで、視覚的プリフィルと並行して実行することができ、従来の想像=アクションパラダイムのシーケンシャルなボトルネックを完全に破壊する。 RoboTwinとLIBEROの評価によれば、1Step-WAMはトレーニング可能なパラメータが13.4Mで、推論速度は7.44\times$、5.98\times$、24.84\times$ for FastWAM、ImageWAM、Kairosがそれぞれ達成している。 さらに、FastWAMのバックボーンを使用した実世界のロボット展開では、連続した7.44$\times$スピードアップが確認され、マルチステップベースラインの成功率も維持されている。 コードはhttps://github.com/changdong1687/1Step-WAMで検証可能である。

関連論文リスト

• StreamingWAM: Streaming World Action Modeling via Chunk-Wise Staircase Flow Matching [21.562174256474137]
  StreamingWAMは、WAMベースのロボット制御のためのストリーミング拡散フレームワークである。 LIBERO、LIBERO-Plus、RoboTwin 2.0、および実世界のロボットタスクの実験は、StreamingWAMが静的および動的設定におけるアクション継続性を改善することを示した。
  論文  参考訳（メタデータ） (2026-10-11T12:56:42Z)
• RealtimeWAM: One-Step Asynchronous World Action Models [32.105741944862146]
  World Action Models (WAM) は、ビデオバックボーンから視覚表現を取り入れ、アクション予測をガイドする。 エキスパート内イテレーションと専門家間待ちの推論効率。 本稿では,ワンステップアクション生成と非同期推論を備えた極めて効率的なWAM変種であるRealtimeWAMを提案する。
  論文  参考訳（メタデータ） (2026-10-05T16:18:07Z)
• SplineWAM: Adaptive Action Horizons for World Action Models via B-Spline Representations [29.139819960625744]
  動作軌跡を適応的にB-スプラインパラメータの固定サイズウィンドウに圧縮するSplineWAMを提案する。 1つのパラメータ予算は、時間的解像度と期間の異なるチャンクにデコードされ、実行されたスパンと、次のポリシー呼び出しが予測自体から続くまでのインターバルの両方にデコードされる。 LIBERO-PlusとRoboCasaでは、アクションチャンキングWAMの成功率を8.2ドルと4.4ドルで改善し、エピソードごとのポリシーコールを22%と26%削減した。
  論文  参考訳（メタデータ） (2026-09-30T14:51:03Z)
• Decoupled Early Exits for Task-Dependent Compute Allocation in Flow-Matching VLAs [53.20313939184399]
  フローマッチング型ビジョン・ランゲージ・アクション(VLA)モデルは、ジェネラリストロボット制御の潜在的な解決策として浮上している。 本稿では,バックボーン深度を$V$,アクションエキスパート深度を$A$,ステップを$D$とすることを提案する。 最適な計算予算はタスクに依存しており、様々なタスクは異なる軸と深さから恩恵を受ける。
  論文  参考訳（メタデータ） (2026-09-24T11:10:00Z)
• Training-Free Acceleration for Vision-Language-Action Models with Action Caching and Refinement [1.0279917564173053]
  VLA(Vision-Language-Action)モデルは、汎用可能なロボット操作のための有望なアプローチとして登場した。 我々はActionCacheを提案する。ActionCacheはプラグイン・アンド・プレイの外部キャッシュで、過去の中間アクションをウォームスタート世代に再利用する。 シミュレーションおよび実環境における実験結果から、ActionCacheは低レイテンシのシステムにおいて高いタスク成功率を維持していることが示された。
  論文  参考訳（メタデータ） (2026-07-07T15:10:15Z)
• ActionMap: Robot Policy Learning via Voxel Action Heatmap [61.10410508218428]
  ActionMapは、ネイティブアクションデコーダの代わりに既存のVLAにドロップする。 Heatmapヘッドは、マッチしたトレーニングステップで、2つのアーキテクチャ的に異なるバックボーンを越えます。 クロスバックボーン一貫性は、アクション表現がVLAパフォーマンスの真のレバーであることを示している。
  論文  参考訳（メタデータ） (2026-06-05T04:42:56Z)
• A1: A Fully Transparent Open-Source, Adaptive and Efficient Truncated Vision-Language-Action Model [112.9420001646428]
  VLA(Vision-Language-Action)モデルは、オープンワールドロボット操作の強力なパラダイムとして登場したが、実際の展開はコストに制約されることが多い。 我々は、低コストで高スループットな推論のために設計された、完全にオープンソースで透明なVLAフレームワークであるA1を提示する。 A1は最先端の成功率を達成すると同時に、推論コストを大幅に削減する。
  論文  参考訳（メタデータ） (2026-04-07T10:18:40Z)

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。