Iso-WAM：重新思考世界动作模型中的表征对齐

Iso-WAM 面向机器人操作，研究 World-Action Models（WAMs）如何避免未来像素预测将动作引起的变化与无关场景外观纠缠，提出以动态表征对齐提供策略监督。基于摘要分析，未取得论文全文。 核心机制：Iso-WAM 使用可学习的动作查询，预测由预训练 Unified Latent Action Model（Uni-LAM）提供的潜在动作目标。Uni-LAM 将语义变化与几何变化整合到统一的潜在动作空间，作为策略对齐的动态指导。相较于未来像素预测或未来静态语义、几何表征对齐，其方法动机是减少与动作无关的背景信息；实际解耦程度及其验证方式尚未验证。 结果：作者报告，Iso-WAM 在标准 LIBERO benchmark 上取得较强的分布内表现，并在 LIBERO-Plus 和真实机器人部署中表现出零样本分布外（OOD）泛化能力。其中，作者报告 LIBERO-Plus 平均成功率为 75.1%，相对 Fast-WAM-Joint 基线的提升原文表述为 7.5%；该提升是相对百分比还是百分点，摘要未明确，不能自行换算。任务组成、平均方式、训练与测试划分、真实部署条件及统计不确定性尚未验证。 复现关注点：需核对 Uni-LAM 的预训练数据与监督来源、潜在动作目标的构造、对齐损失、策略训练方式，以及与静态表征对齐的消融对照。实验协议、消融及统计信息尚未验证。材料仅说明代码将发布，不能据此认定实现已公开。 适用边界：本文主要研究对象是视觉机器人控制，并未提供 EEG 或 BCI 实验。其语义与几何转移监督能否对应神经信号中的任务相关动态，尚无材料支持；已有 EEG 相关工作尚未检索确认，不据此生成 BCI 迁移结论或复现实验建议。