Hugging Face发布Long-WAM：革新实时机器人控制中的长上下文世界动作模型

摘要：Hugging Face推出Long-WAM，一种用于扩展因果世界动作模型上下文范围的模型系统框架，旨在解决实时机器人控制中处理长视觉历史数据带来的延迟问题。Long-WAM通过自回归预训练视频基础模型显著提升了历史数据的利用效率，在多个机器人平台上的实验表明，延长上下文时间显著提高了任务成功率。此外，Long-WAM支持流式编码、异步执行和硬件加速，使其能够在RTX 5090、DGX Spark和Jetson AGX Thor等硬件上实时运行。Long-WAM在动态和长时操作任务中表现出色，例如在动态杯堆叠任务中实现了95%的成功率。

---

核心突破

• 长上下文扩展：Long-WAM通过自回归（AR）预训练视频基础模型，显著提升了长视觉历史数据的利用效率。在RoboCasa GR-1平台上，将上下文时间从0秒增加到19.2秒，任务成功率从63.3%提升至78.7%。
• 硬件加速与实时性能：Long-WAM支持流式编码、异步执行和硬件加速，使其能够在RTX 5090、DGX Spark和Jetson AGX Thor等硬件上实时运行。在RTX 5090上，每个动作块的处理时间仅为107.4毫秒。
• 多平台验证：Long-WAM在多个机器人平台（如LIBERO-Long、RoboTwin 2.0和DOMINO）上进行了验证，均表现出色，尤其是在动态杯堆叠任务中实现了95%的成功率，而传统方法未能成功。

技术亮点

1. 自回归预训练：通过自回归预训练，Long-WAM能够更有效地利用长视觉历史数据，从而提升任务成功率。
2. 异步执行与硬件加速：该框架采用异步执行机制，并针对不同硬件进行优化，确保实时性能。
3. 流式编码：支持流式编码，使得Long-WAM能够处理实时视频流，而不会因处理延迟影响机器人控制。

行业影响

Long-WAM的推出标志着AI在机器人控制领域的重要进展，特别是在需要长时记忆和实时处理的任务中。其高效的长上下文处理能力为复杂机器人任务提供了新的解决方案，例如动态操作和长时规划。此外，Long-WAM的硬件加速特性使其能够广泛应用于不同类型的机器人平台，推动AI驱动的机器人技术发展。

开发者建议

• 硬件适配：开发者应根据目标硬件平台优化Long-WAM的部署，以实现最佳性能。
• 任务定制：针对特定任务场景，开发者可以进一步微调Long-WAM模型，以提升任务成功率。
• 多模态融合：未来可以探索将Long-WAM与其他感知模块（如触觉传感器）结合，以实现更复杂的机器人控制任务。

---

消息来源：Hugging Face Daily Papers (2026-10-07)

—— 完 ——

主题标签： #Hugging Face 关注 #机器人控制 关注 #长上下文 关注 #实时AI 关注 #硬件加速 关注