SmolWAM：从2B模型蒸馏的边缘端世界-动作模型

Owolabi 等人提出面向机器人操作的隐空间世界-动作模型 SmolWAM，从 2B 参数的 Cosmos Policy 蒸馏而来，保留其预训练主干并重建推理接口（单帧视觉隐变量、缓存文本特征、28 个 transformer 块中的 12 个、1,008 个 token），通过一步 rectified-flow 读出动作与未来视觉隐变量。该论文被 NeurIPS 2026 Robot Learning with World Models Workshop 接收。 在 LIBERO 基准 400 个 episode 上，SmolWAM 成功率 95.5%，单次 16 动作块推理耗时 57 ms、2.3 TFLOP、显存 2.4 GiB，训练用 3.6 GPU-hours；作者称其比教师模型快 11 倍、FLOP 少 18.5 倍、显存少 3.2 倍，其世界头仍可预测场景运动。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。