#Visual Representation (2)

R²-WAM：世界动作模型需要怎样的视觉表征

世界动作模型（WAM）的视觉底座继承自为像素重建训练的视频 VAE，缺的正是操作所需的语义、空间与接触信息。本文把同一个 Wan2.2 双专家骨架与同一套训练协议固定下来，在 LIBERO-Plus 上受控比较 13 种冻结视觉表征、5 种特征注入机制与多种特征组合，得到三条结论：通用表征优于专用表征（平均总体成功率 82.2 对 80.0），视角/背景/噪声每一类扰动的最佳均值都来自通用源；通道级联合预测最强（13 源平均 81.5，领先次优机制 5.1 个点），收益主要来自"预测未来特征"而非"条件于当前帧"；追加表征源只在互补时有效，最大额外增益仅 3.7 个点，师生同场（C-RADIOv4 + DINOv3）反而掉到 78.6。据此固化的 R²-WAM（DINOv3 + UniTok + V-JEPA 2.1，通道级拼接）在 RoboCasa GR1 Tabletop 达 84.7%（+5.9）、RoboTwin 2.0 达 92.8%（+2.2），Galbot G1 真机四任务各提升约 10 个点。