arXiv 新增 + project · P1 · 2026-06-14

RepWAM：它和通用视觉自监督的关系在于：把 WAM 从重建型视频 tokenizer 转到 representation-centric visual-action tokenizer，虽偏具身，但方法可迁移到视频 world m...

中高相关；详见方法、贡献和实验边界。

RepWAM: World Action Modeling with Representation Visual-Action Tokenizers　arXiv 新增 + project　原文链接

编号2606.13674 优先级P1 类别arXiv 新增 + project 会议arXiv 新增 + project 方法把 WAM 从重建型视频 tokenizer 转到 representation-centric visual-action tokenizer，虽偏具身，但方法可迁移到视频 world model 表征来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：把 WAM 从重建型视频 tokenizer 转到 representation-centric visual-action tokenizer，虽偏具身，但方法可迁移到视频 world m... 中高相关；详见方法、贡献和实验边界。

**(c) Representation Visual-Action Tokenizer Figure 1 Overview of our representation visual-**(c) Representation Visual-Action Tokenizer Figure 1 Overview of our representation visual-action tokenizer, which aligns visual latents with a frozen visual foundation model to obtain semantically rich visual tokens, and induces latent actions as transitions within this shared semantic space via coupled inverse and forward dynamics models.这张图概括 RepWAM 的整体方法流程。阅读时先看模块之间传递的训练信号，再看作者如何把目标拆成可优化的子问题。

**Figureure 2 · Real-world success rate (10 rollouts per task) on three manipulation t**Figure 2 Real-world success rate (10 rollouts per task) on three manipulation tasks, comparing ??0 5 [4] and Lingbot-VA [20] against our 1 3B and 5B WAMs.这张图来自论文 PDF 的结构化抽取。当前用于辅助理解 RepWAM 的方法或实验，请结合正文精读段落一起看。

核心问题

它和通用视觉自监督的关系在于：把 WAM 从重建型视频 tokenizer 转到 representation-centric visual-action tokenizer，虽偏具身，但方法可迁移到视频 world model 表征。

方法拆解

把 WAM 从重建型视频 tokenizer 转到 representation-centric visual-action tokenizer，虽偏具身，但方法可迁移到视频 world model 表征

主要贡献

中高相关；详见方法、贡献和实验边界。

实验看点

实验部分建议重点看两类证据：一是作者是否把方法收益和更强数据、更长训练、更大模型区分开；二是跨模型、跨数据或跨任务迁移是否还能保留同样趋势。

局限与读法

这篇论文的结论需要结合任务设置、训练数据规模和消融实验一起看；不要只凭单个指标判断它对通用视觉表征的价值。