ActiveWAM 以证据感知保留-获取控制统一世界-动作模型，主动视觉成功率最高提升 20 个百分点

如何让一个世界-动作模型在生成操作动作的同时，学会在有限观测窗口内保留任务关键证据并主动获取新证据？

主动视觉操作中，相机移动会改变可见区域，可能丢弃任务关键信息；保留当前视角又可能错过有用观测。现有方法将观察控制和操作控制解耦，无法联合推理相机动作和机械臂动作的后果。

此前多采用解耦方案，如通过 look-at 逆运动学分离注视控制，或 See2Act 在测试时进行视点搜索；Stem-OB 对单帧观测进行反演但没有规定保留哪些历史证据。固定相机或规则化头部控制无法适应任务阶段变化。

ActiveWAM 将头部（pan/tilt）和双臂动作统一在一个世界-动作模型中生成。训练时引入任务引导的历史反演（TTI），利用冻结的视频先验，通过任务相关文本的交叉注意力保留关键证据，通过互近邻匹配保留可见时间变化；同时加入视图感知历史适配器，编码相机位姿、曝光时间等元数据。采用配对学习使原始和变换历史共享目标。部署时仅用原始历史，无需测试时反演或候选排序。

在 TAVIS 基准上，ActiveWAM 较最强基线最高提升 17.0 个百分点（头部任务空间偏移条件）。在 RoboTwin-AV 50 任务基准上，复合偏移下成功率 53.3%，比 Fast-WAM 高 20.0 个百分点；干净条件下 80.3%。真实机器人三个厨房组合任务共 60 次试验，总任务成功率 50.0%，比 Fast-WAM 高 26.7 个百分点。消融显示去除任务保留或动态保留使复合偏移成功率分别下降 12.3 和 8.6 个百分点。固定相机 LIBERO-Plus 上成功率 76.9%，比原始历史基线高 8.7 个百分点。推理约 165 ms，有效频率约 15 Hz。

作者承认当前系统使用固定焦距头部、较短历史窗口，物理任务中阶段切换由人工指定；在真实机器人上仅进行了每任务 20 次试验，整体评估规模有限。论文未报告代码是否开源，也未在更多机器人平台或长时间任务上验证。此外，训练时反演接受率约 82%，部分窗口被拒绝，可能需要进一步优化。