论文导读
ML Collective团队把Cosmos Policy改成较小的世界动作模型SmolWAM，在一次计算里输出16步机器人动作和后续场景表示。400次LIBERO仿真任务成功382次，成功率95.5%；A100上每个动作块耗时57毫秒，相对教师模型约快11倍。通过调整输入接口、减少层数和蒸馏训练，模型保留了大部分仿真任务能力。
先看桌面操作，再看速度
项目演示把两个模型放在相同的LIBERO初始状态里，分别执行取碗、放置物品等桌面任务。它们都在仿真环境中运行；视频每次生成动作块前，按A100测得的推理延迟暂停，所以屏幕时钟反映了加入该延迟后的过程，不能把视频当作真实机器人测速。
图：左右两栏分别记录SmolWAM与教师模型在四类任务中的动作序列，每组从相同初始状态出发。
完整测试覆盖四类任务、每类十项，每项十次，共400次。SmolWAM成功382次，即95.5%；教师模型报告393次成功，即98.2%。论文说明，教师的完整成绩来自较早的评估流水线。速度和成功率的条件都需要随数字保留。
视频接口，改成控制接口
教师模型原本围绕视频生成设计：图像要按片段编码，文字经过大文本编码器，生成过程重复去噪多次。机器人要控制下一小段动作，不一定需要这整套开销。
SmolWAM先改成单帧视觉输入，通过一个小适配器，让新表示接近教师熟悉的输入。文字特征可以提前缓存，再减少主干层数，把28层保留为12层。内部序列从1764个单元缩到1008个，一次计算直接读出动作块和未来相机表示。
这些改动不能直接剪完就用。论文发现，某些单独删掉没问题的层，合起来删掉后反而使任务全部失败。因此，模型先在较接近教师的布局里训练，再切到紧凑布局，逐步恢复被剪枝和接口变化打乱的能力。
图：教师与小模型两行并列输入帧块、保留层数、去噪次数及每个16动作块的计算成本。
57毫秒，不是边缘芯片实测
推理成本在A100-SXM4-40GB上测量，批量为1，使用相同精度设置，所有模型的文字特征都预先缓存。教师每个16动作块耗时624毫秒，SmolWAM为57毫秒；运算量从42.6降到2.30万亿次浮点运算，峰值显存从7.55降到2.36GiB。
57毫秒是从观察到动作块的时间，包含预处理和视觉编码，不是单个动作执行时间。一次产生16步动作后，机器人按动作块开环执行，新观察何时影响下一步也受这个机制约束。论文试过提前截断动作块，但没有因此获得更好的结果。
虽然标题讨论边缘设备，核心速度表在数据中心GPU上完成，成功率全部来自仿真，论文还未验证实体机器人和具体边缘芯片。更省显存和计算是已测收益，不能据此宣称已在低功耗设备达到同等表现。
图：表格按模型列出参数、运算量、延迟、显存及LIBERO各任务组成功率，筛选集与完整测试列分开。
未来预测留下了运动信息
小模型保留一个预测未来场景表示的输出。论文用96个未参与训练的上下文检查它：与直接复制当前帧相比，未来表示误差更低，估计的运动位置也更接近实际后续画面。解码出来的示例能看到机械臂位置变化，但纹理仍比较模糊。
这部分内部表示用于说明模型还保留了环境变化的预测能力，并没有在正常动作输出时反复生成视频。画面相似度的一些指标没有优于复制当前帧，所以论文将收益描述为运动预测，而非未来画面质量全面提升。
模型在长任务上的成绩下降更明显：LIBERO-Long为89%，教师为97%。继续训练更多步没有改善完整任务成功率，更深的压缩也会损伤能力。公开代码和权重提供了按同一仿真协议复核的入口。
参考资料
https://arxiv.org/abs/2610.13740
