VT-WAM是一种视觉-触觉世界动作模型，旨在提升机器人在复杂环境中的操作能力。它结合视觉和触觉信息，通过非对称MoT注意力和接触门控机制优化动作预测，强调触觉动态的重要性，以克服视觉信息的主导偏差。

英伟达的Jim Fan宣布VLA（视觉-语言-动作）架构已过时，推出新范式WAM（世界动作模型），代表作DreamZero。WAM通过人类第一人称视频训练，提升机器人自主设计能力，预计2040年前实现机器人自我制造。新模型强调视觉和动作的重要性，告别遥操作数据，采用外骨骼装置采集数据。

研究者探讨了世界模型代理（WAM）在测试阶段是否需要显式未来想象，提出了Fast-WAM架构，训练时保留视频共训练，推理时跳过未来预测。结果显示，视频预测主要在训练阶段提升模型性能，而非在推理阶段生成未来观测。