GigaWorld-Policy-0.5——由 AutoResearch赋能的更快更强WAM：未来视觉状态仅为动作生成提供密集监督，而非动作生成的前提条件
内容提要
GigaWorld-Policy-0.5是一种以动作为中心的世界动作模型：训练时利用未来视觉动态提供密集监督，推理时仅解码动作、不生成未来视频，从而降低计算开销。它采用混合Transformer架构，将视觉动态建模与动作生成分配给不同专家模块，在RTX 4090上推理时延约85毫秒。预训练结合动作条件世界建模与WAM训练，并用AutoResearch流水线自动搜索训练配置。实验表明，该模型在保留未来视觉监督优势的同时显著提升了推理效率。
延伸解读
训练与推理解耦：保留监督但降低部署开销
文章的核心思路是把未来视觉动态的角色限定在训练阶段：训练时用未来视频提供密集监督，推理时则只解码动作，不生成未来视频。这样既保留了WAM利用未来场景演化约束动作的优势，又避免了视频token比动作token昂贵得多所带来的计算负担。对读者而言，这意味着WAM的泛化收益不必以实时性为代价，但前提是训练时的掩码设计要防止未来信息泄漏到动作预测中。
MoT架构：总参数增加，推理只走动作通路
GigaWorld-Policy-0.5采用Mixture-of-Transformers，将视觉动态建模与动作生成拆分给不同专家模块。虽然总参数量增加，但推理时仅动作通路参与计算，从而减少实际开销，在RTX 4090上实现约85毫秒时延。这提示读者：评估此类模型不能只看总参数量，更要看推理时实际激活的路径；专家分工是兼顾训练监督与部署效率的关键设计。
混合预训练与AutoResearch：强化动作-视觉耦合
预训练阶段结合动作条件世界建模（AC-WM）与WAM训练，目的是让模型同时学习场景的普遍演变和由动作引发的未来变化，从而增强动作表征的可迁移性。此外，作者用基于智能体的AutoResearch流水线自动搜索训练配置，减少超参数调优的人工干预。读者可关注：这种混合训练是否真的提升下游策略学习，以及自动搜索得到的配置是否具有可复现性。
与Fast-WAM的设计取向差异
文章明确对比了Fast-WAM与GigaWorld-Policy-0.5：前者为回答“推理时生成未来视频是否有用”而刻意隔离视频与动作，保证实验结论干净；后者面向产品性能，把动作作为条件塞进预测任务，让视频训练顺带逼动作学好，收敛更快、成功率更高，还附带一个“给动作就能推演后果”的世界模型。代价是掩码和训练流程更复杂。读者应理解：两者差异源于研究目标与产品目标的不同，而非单纯的优劣。
Q&A
GigaWorld-Policy-0.5 在推理时还需要生成未来视频吗？
不需要。它在推理阶段仅解码动作，不生成未来视频，从而避免昂贵的视频 token 计算，实现低时延闭环控制。
GigaWorld-Policy-0.5 的推理速度有多快？在什么硬件上测的？
在本地 NVIDIA RTX 4090 环境上实现了约 85 毫秒的推理时延。
GigaWorld-Policy-0.5 用了什么模型架构来兼顾训练和推理效率？
采用 Mixture-of-Transformers（MoT）架构，将视觉动态建模与动作生成拆分给不同的专家模块；推理时仅走动作通路，减少实际参与计算的部分。
GigaWorld-Policy-0.5 在预训练阶段采用了什么训练策略？
采用混合式的动作条件世界建模（AC-WM）与 WAM 训练策略，强化视觉动态与机器人动作之间的耦合，提升动作表征在下游策略学习中的可迁移性。
AutoResearch 在 GigaWorld-Policy-0.5 中起什么作用？
AutoResearch 是一个基于智能体的自动化流水线，用于系统搜索训练配置：自动发起试运行、监控验证指标、比较候选配置，并将有前景的设置提升为更长时间的训练，从而减少超参数调优的人工干预。
GigaWorld-Policy-0.5 与 GigaWorld-Policy 的主要区别是什么？
GigaWorld-Policy-0.5 继承了以动作为中心的设计（训练用未来视觉监督、推理仅解码动作），但升级为 MoT 架构、采用 AC-WM 与 WAM 混合预训练，并引入 AutoResearch 自动搜索训练配置，从而在保留训练优势的同时显著提升推理效率。
为什么 GigaWorld-Policy-0.5 要把动作和未来视觉建模耦合起来训练，而不是像 Fast-WAM 那样隔离？
因为两者目的不同：Fast-WAM 是做研究，需要隔离变量来回答“推理时生成未来视频有没有用”；GigaWorld-Policy-0.5 是做产品、追性能，它已接受“训练时学视频有用”的结论，于是把动作作为条件塞进预测任务中，让视频训练顺带逼动作学好，从而收敛更快、成功率更高，并额外获得一个“给动作就能推演后果”的世界模型。
