Hugging Face发布RegisterWAM：革新机器人动作条件生成技术

摘要：Hugging Face推出RegisterWAM模型，通过引入可学习的非空间寄存器（Registers），显著优化了机器人动作条件生成技术。RegisterWAM通过抑制空间异常值并集中高范数响应，提升了模型在复杂场景下的动作学习能力。该模型在LIBERO-Plus和RoboTwin 2.0基准测试中表现出色，分别达到81.64%和93.0%的成功率，同时在真实世界操作中实现了性能提升。

---

技术机制剖析

RegisterWAM通过在传统世界模型中添加可学习的非空间寄存器（Registers），直接用于动作条件生成。这种方法的核心在于解决WAM（World Action Models）中的空间异常值问题，这些异常值在规范化（Normalization）和K/V投影（Projection）后仍然保留其动作相关性。RegisterWAM通过以下方式优化了模型性能：

1. 寄存器引入：通过引入非空间寄存器，模型能够更有效地分离和集中高范数响应，从而减少空间异常值对动作学习的影响。
2. 观察流匹配（FM）损失监督：RegisterWAM结合观察流匹配损失监督，进一步抑制空间异常值，同时增强寄存器在高范数响应中的集中度。
3. 噪声观察FM目标：为了进一步提升模型鲁棒性，RegisterWAM引入了噪声观察FM目标，从噪声输入中恢复当前场景，从而增强模型在复杂场景下的适应能力。

工程权衡与实测表现

• 优势：RegisterWAM在不使用额外具身预训练数据或基础模型的情况下，显著提升了机器人动作学习的效率和准确性。其在LIBERO-Plus和RoboTwin 2.0基准测试中的表现证明了其在复杂任务中的有效性。
• 劣势：尽管RegisterWAM在抑制空间异常值方面表现出色，但完全消除这些异常值仍然具有挑战性。此外，寄存器与FM损失监督的结合增加了模型的复杂性，可能对计算资源提出更高要求。
• 实测表现：在真实世界操作中，RegisterWAM展示了更高的操作精度和更快的任务完成速度，显示出其在实际应用中的巨大潜力。

开发者落地与部署建议

1. 硬件需求：建议在具备较强计算能力的硬件平台上部署RegisterWAM，以充分利用其性能优势。
2. 模型优化：开发者可以通过微调寄存器参数和FM损失监督权重，进一步优化模型性能。
3. 应用场景：RegisterWAM适用于需要高精度动作生成的机器人应用场景，如工业自动化、医疗机器人和服务机器人等。

结论

RegisterWAM的推出标志着机器人动作条件生成技术的重要进步。其创新的寄存器机制和FM损失监督方法为复杂场景下的动作学习提供了新的解决方案，具有广泛的应用前景。

---

消息来源：Hugging Face Daily Papers (2026-10-13)

—— 完 ——

主题标签： #Hugging Face 关注 #RegisterWAM 关注 #机器人 关注 #动作条件生成 关注 #AI智能体 关注