Hugging Face发布ProWAM：革新机器人控制的长程视觉规划模型

摘要：Hugging Face推出了一种名为ProWAM的新型世界动作模型，通过联合预测动作和稀疏视觉子目标序列，为机器人控制提供显式的视觉指导。ProWAM通过单次视频骨干网络前向传递缓存稀疏子目标特征，消除了对完整视频生成的依赖，并显著提升了长程预测的效率和鲁棒性。在多个基准测试中，ProWAM表现优异，在模拟环境中刷新了LIBERO-Plus和随机化RoboTwin的记录，并在零样本真实世界实验中实现了70%的成功率，展示了其在闭环控制中的巨大潜力。

---

核心突破

Hugging Face推出的ProWAM模型通过以下创新点革新了机器人控制中的长程视觉规划：

• 联合预测动作与稀疏视觉子目标：ProWAM不仅预测动作，还生成一系列有序的稀疏视觉子目标，为机器人提供明确的视觉指导。
• 高效缓存机制：通过单次视频骨干网络前向传递缓存稀疏子目标特征，避免了传统方法中迭代生成完整视频的复杂过程。
• 可扩展性设计：子目标预测可以从大规模无动作视频中学习，使视频骨干网络能够将复杂的视觉规划任务从动作策略中分离出来。

技术亮点

1. 长程预测能力提升：ProWAM在长程预测中表现出色，在LIBERO-Plus和随机化RoboTwin模拟基准测试中分别取得了85.8%和75.7%的成功率，相对最强基线提升了35.9%。
2. 零样本泛化性能：在RoboCasa365基准测试中，ProWAM在Composite-Unseen分割上实现了18.2%的成功率，并在零样本真实世界实验中达到了70%的成功率，显著优于现有方法。
3. 轻量级动作生成：通过缓存稀疏子目标特征，ProWAM仅需轻量级的动作去噪即可完成重新规划，进一步提升了效率。

行业影响

ProWAM的发布标志着机器人控制领域在长程视觉规划方面的重要进展。其高效的设计和强大的泛化能力使其在复杂场景和真实世界应用中具有广泛的应用潜力，例如自动驾驶、无人机操控和工业自动化等领域。开发者可以借助ProWAM构建更智能、更可靠的机器人系统，推动机器人技术的进一步发展。

开发者建议

• 关注模型应用场景：ProWAM在长程预测和零样本泛化方面表现优异，开发者应重点关注其在复杂场景中的应用潜力。
• 结合现有工具：ProWAM可以与现有的机器人控制框架结合使用，以提升整体系统的智能化和自动化水平。
• 参与社区讨论：Hugging Face社区提供了丰富的资源和讨论平台，开发者可以积极参与，获取更多技术支持和灵感。

---

消息来源：Hugging Face Daily Papers (2026-10-01)

—— 完 ——

主题标签： #Hugging Face #ProWAM #机器人控制 #长程视觉规划 #零样本泛化