PrismWAM：世界动作模型中的状态表示解耦

基于摘要分析。研究针对 World Action Models（WAMs）中预训练视频模型的潜在表征混合外观语义与物理配置的问题，提出 PrismWAM，将语义与物理状态解耦，并联合建模状态和动作；主要研究对象是具身操控，而非 EEG 解码或 BCI。 方法将具身任务分解为 Semantic Planning → Physical Rollout → Executable Action 三个阶段：仅给定初始 RGB 观测，语义规划学习预测最终目标图像；物理展开在深度空间预测通向目标的细粒度演化；随后根据深度演化生成可执行动作。核心思路不是仅预测世界的视觉外观，而是通过分离语义目标与物理演化，刻画世界如何响应动作。摘要未提供具体网络结构、损失函数、训练阶段或动作生成接口。 作者报告，在不使用具身动作预训练或额外数据增强的条件下，PrismWAM 在仿真及真实世界操控中达到最先进性能，并超过包括 OpenWAM-α 在内的多种使用大规模具身动作预训练的模型。摘要未给出任务、数据集、划分、指标及具体数值，因此这些优势的适用范围、基线可比性、消融及统计信息尚未验证。“无具身动作预训练”也不能据此理解为没有使用其他预训练模型。 作者进一步提出将 WAM 的状态表示扩展至占据、流、触觉和本体感觉等方向；摘要未表明这些扩展均已得到实验验证。目前材料未提供神经信号到语义或物理状态的具体对应机制，不宜将其改写为已验证的 BCI 算法贡献；已有 EEG 相关工作尚未检索确认。复现需取得全文，核对训练数据与预训练依赖、目标图像及深度监督来源、操控评估协议和实现条件。