SmolWAM：面向边缘设备的紧凑世界-动作模型

2026年11月10日，arXiv Robotics 刊出 Timi Owolabi 等作者的论文，提出 SmolWAM——一种面向边缘设备机器人操作的紧凑潜在世界-动作模型。该模型从 2B 参数的 Cosmos Policy 衍生，采用单帧编码、保留注意力汇的缓存文本特征、深度剪枝与 token 压缩。据论文，SmolWAM 仅保留 28 个 Transformer 块中的 12 个、使用 1,008 个 token，以单步 rectified-flow 同时预测动作与未来潜在表示。在 A100 上训练 3.6 GPU 小时后，其在 400 个 LIBERO 回合上取得 95.5% 成功率，每 16 动作块耗时 57ms、2.3TFLOP、占用 2.4GiB，相比五步教师模型延迟低 11 倍、内存低 3.2 倍；联合训练相较仅动作消融实验成功率提升 6.2 个百分点。上述数据均出自论文自述，尚未见独立复现。

AI 根据报道生成 · 59 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。