ΔWAM：将动作切向场蒸馏到世界动作模型中

基于摘要分析。ΔWAM 研究机器人 World Action Models（WAM）的未来预测监督如何聚焦动作相关动态，而不是主要学习外观与场景持续性。其核心贡献是提出 Action Tangent Fields，通过动作对未来动态影响的局部一阶结构，引导 WAM 的去噪监督。 机制上，作者以局部 Taylor 展开描述动作变化如何引起未来动态变化，并在 Residual-VAE 空间表示未来动态，使未来潜变量可由当前潜变量及其残差恢复。随后利用较强的 action-conditioned world model（ACWM）探测动作变化与残差世界变化的局部对应关系，再将该结构蒸馏到 WAM。作者将 optical flow、运动中心表征与 latent actions 置于共同视角下：世界监督中动作相关变化的比例越高，监督可能越有效。这是作者提出的解释框架，其适用范围仍需正文与对照实验核对。 作者报告，在 LIBERO-Plus、RoboTwin 和 RoboTwin2.0-Plus 的评估中，该方法提高了对光照、背景、相机、布局及其他环境扰动的鲁棒性；在未使用大规模具身预训练的前提下，若干分布偏移条件下的鲁棒性优于预训练策略。摘要未提供具体指标、数据划分、对照策略与提升幅度，不能据此判断整体性能优劣。作者还将多步 VideoDiT 去噪蒸馏为单步推理，但实际速度、计算成本及性能变化尚未验证。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移假设是，若 EEG 任务具有明确动作或实验干预及后续信号，局部条件变化监督可能帮助区分任务相关动态与背景变化；普通 EEG 分类标签并不天然等价于动作干预。可复用的是残差表征与局部变化蒸馏思路，需改造条件变量、EEG 编码器和教师模型。低信噪比、跨被试差异、通道变化及小数据可能使局部对应关系不稳定。一个可证伪的小实验是在具有明确干预条件的 EEG 数据上，固定训练规模与划分，对比普通未来预测和局部变化蒸馏的跨会话表现。已有 EEG 相关工作尚未检索确认。