Hugging Face发布BridgeWAM：革新视频与动作专家协作机制

摘要：Hugging Face推出BridgeWAM模型，通过引入桥接专家（BoE）架构，显著优化了视频与动作专家的协作机制。BridgeWAM利用32个潜在桥接查询（LBQs）聚合视觉、语言和本体感知信息，在共享潜在空间中实现联合视频-动作监督。该方法不仅提升了任务执行的准确性和泛化能力，还减少了推理计算量。在LIBERO和LIBERO-Plus基准测试中，BridgeWAM分别实现了98.25%和72.24%的成功率，同时将单样本推理FLOPs降低了28.72%，并实现了2.47倍的速度提升。

---

技术机制剖析

BridgeWAM通过桥接专家（BoE）架构，革新了传统视频与动作专家的协作方式。传统方法依赖于密集的层间混合Transformer（MoT）注意力机制，导致动作预测容易受到无关视觉特征的影响，并产生冗余计算。而BridgeWAM通过以下创新解决了这些问题：

1. 潜在桥接查询（LBQs）：利用32个LBQs将视觉、语言和本体感知信息聚合到共享潜在空间中。这种方法不仅减少了计算量，还使得动作专家能够更有效地选择与任务相关的视觉特征。

2. 联合视频-动作监督：通过动作梯度引导视频专家生成更适合动作预测的表示，同时动作专家通过交叉注意力机制选择性地检索任务相关信息。这种机制实现了专家深度的解耦，并允许在动作去噪过程中重用LBQs。

3. 轻量级动作头：BridgeWAM采用了一个超轻量级的动作头，在保持高准确率的同时显著降低了计算复杂度。

工程权衡与实测表现

BridgeWAM在多个基准测试中表现出色：

• LIBERO测试：成功率达到98.25%，展示了其在任务执行中的高效性。
• LIBERO-Plus测试：成功率达到72.24%，展示了其强大的泛化能力。
• 推理效率：相较于Fast-WAM，单样本推理FLOPs降低了28.72%，实际机器人延迟降至77.1毫秒，实现了2.47倍的速度提升。

这些结果表明，BridgeWAM在保持高准确率的同时，显著提升了推理效率，尤其适用于资源受限的应用场景。

开发者落地与部署建议

BridgeWAM的发布为AI开发者提供了一种高效的视频与动作专家协作解决方案。以下是一些部署建议：

1. 资源优化：由于BridgeWAM采用了轻量级动作头和LBQs机制，开发者可以在资源受限的环境中部署该模型，例如移动设备和嵌入式系统。

2. 任务定制：开发者可以根据具体任务需求，调整LBQs的数量和聚合方式，以实现最佳的性能和效率平衡。

3. 持续学习：BridgeWAM的联合视频-动作监督机制使其能够适应不断变化的任务环境，开发者可以利用这一特性进行持续学习和模型优化。

结论

BridgeWAM的推出标志着视频与动作专家协作领域的一个重要里程碑。其创新的BoE架构和高效的推理机制为AI应用提供了新的可能性，特别是在需要高效任务执行和强泛化能力的场景中。

---

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

—— 完 ——

主题标签： #Hugging Face 关注 #BridgeWAM 关注 #视频与动作专家 关注 #推理效率 关注 #轻量级模型 关注