ViGAR：用视觉子目标重构世界动作模型，组合操作平均成功率提升12.86个百分点

能否在保持世界动作模型物理泛化能力的同时，引入显式的任务级视觉子目标推理，以支持长程组合操作和推理时新任务组合？

长程组合操作需要协调多个子任务并泛化到新场景、物体和布局，但现有世界动作模型只预测短时视觉未来和动作，缺乏子任务级推理，容易在子任务切换时回退或无法组织全局行为。

此前工作要么让VLA直接映射指令到动作，因任务复杂度高而失败；要么用VLM生成语言子任务描述，但语言对空间结果描述不足；部分工作生成子目标图像但仅作为中间特征或规划输出，未显式条件化下游策略。上下文学习方法多用人类演示视频指定过程，而非指定目标世界状态。

ViGAR将组合操作分解为视觉子目标规划器和子目标执行器两部分，均从预训练Cosmos3-Nano世界模型初始化。子目标规划器以当前观察和全局指令为条件，通过图像编辑方式生成下一子任务的视觉目标图像；执行器在预测的子目标图像引导下，联合生成未来视觉帧和动作块。训练时采用子目标前瞻规则和末端执行器ROI加权流匹配损失。并且以全局目标图像作为推理时上下文，可诱导不同的子任务分解，无需更新参数。

在RoboTwin Clean2Random基准上，ViGAR在Clean和Random设置下成功率分别为82.00%和67.02%，平均成功率74.51%，比最强基线4D-WAM的平均61.65%高出12.86个百分点；相比未加子目标引导的Cosmos3-Nano-RoboTwin，Random设置提升44.56个百分点。视觉子目标质量上，RoboTwin上LPIPS 0.13、DINO-cos 0.80、ΔIoU 0.65、RetAcc 0.94，真机数据上LPIPS 0.11、DINO-cos 0.81、ΔIoU 0.66、RetAcc 0.76，均优于VISTA和RxBrain。真机五项组合操作中，ViGAR任务进度得分最高，但论文未在正文报告具体数值；两项上下文学习任务上，域内平均任务进度77.5%，分布外47.5%，各评估20次。消融显示，去除子目标前瞻、末端执行器ROI加权或两者均去除，平均成功率分别降至72.86%、72.46%和62.54%。

作者未在结论中明确列出局限。可识别的局限包括：仅在RoboTwin仿真和AgiBot A2双7自由度臂真机上验证，未覆盖其他构型；真机组合操作任务仅5项、每项20次rollout，上下文学习任务仅2项、分布外成功率47.5%，离实用仍有差距；训练依赖约900小时遥操作数据和2500条仿真演示，以及16B-A8B参数的Cosmos3-Nano预训练模型，算力成本高。论文未报告更广泛的下游任务、不同机器人平台或长期稳定性。