CD-LAM 用因果去偏提升世界模型动作控制，仅需数千步微调
世界模型常忽视真实动作指令，CD-LAM 用因果去偏净化隐动作表征，大幅提升控制准确性并降低微调开销。
研究揭示现有隐动作模型（从无标视频中提取动作表征的模型）会将背景等无关信息混入动作信号，导致世界模型（根据动作预测未来画面的模型）忽视真实指令。新提出的 CD-LAM 通过因果去偏净化隐动作表征，让动作误差下降 30% 以上，且后训练仅需 3k-6k 步（约为基线的 10%）。
正文摘录
世界模型迎来因果升级：CD-LAM 仅用几千步微调即可显著增强动作控制 - 来源：机器之心 .jpg)  人类可以轻松想象一个还没做出的动作会带来什么：手一松，杯子会掉；往前一推，抽屉会合上。动作尚未发生，大脑已经预演了可能的结果。对机器人来说，具身世界模型（Embodied World Model，一种根据当前观察和未来动作预测画面变化的模型）会根据当前观察和未来的动作，预测动作执行后的未来画面。有了它，机器人可以先在「脑子里」预演，再决定实际怎么做。机器人规划、策略评估和数据生成等任务，都需要建立在这类预测能力之上。 为了能够利用更多的无标注数据对世界模型进行大规模训练，隐动作模型（Latent Action Model，LAM，一种从视频画面变化中提取隐式动作表征的模型）被设计用于从画面变化里提取「隐动作（Latent Action）」充当伪标签，让世界模型在海量人类视频上预训练（Pre-training），学会「大概怎么动」。之后，仅需要少量带真实动作标注的视频进行后训练（Post-training），即可更快更好地适应真实动作控制。