OneWM: 世界模型与动作生成能否互相受益

先看结论

这篇论文问了一个所有人都觉得「显然有」、但一直没人干净验证过的因果问题：学世界模型对学策略到底有没有帮助？反过来呢？

它的做法不是发明新模块，而是把「动作在训练里扮演什么角色」从一个架构决策降级成一个数据旋钮 $r$，然后在这个统一框架下做双向对照实验。四句话概括结果：

1. 世界模型帮策略，但只在分布外。同分布 LIBERO 上只比 WAM 变体高 2.4 点，还输给 Fast-WAM 3.6 点；到了分布外 LIBERO-Plus 上高出 5.9 点，RoboCasa365 上高出 8.4 点。
2. 策略帮世界模型，幅度很小。同架构对照下 PSNR 只涨 0.49–0.62 dB，SSIM 涨 0.008–0.012。真实存在，但远谈不上「重塑」。
3. 混合比里真正的自变量不是「干净动作占比」。消融显示干净条件加到 25% 时策略在 OOD 上从 59.27 崩到 38.01，而世界模型指标几乎不动。原因是部署模式（$r=0$）的样本被砍半了。
4. 因果掩码的作用不是「防作弊」，而是让「不生成任何一帧视频就能出动作」在训练阶段就成立。世界模型的能力留在权重里，不在推理图里。

一句话判断：这是一篇「问题重构 + 严谨消融」的论文，不是「新架构」的论文。 架构是 MoT + Wan2.2，训练目标是标准 flow matching，两者都是借的。

---

1 问题：两条互斥的设计路线

想同时要「懂物理」和「会动手」，前人给了四种做法，每一种都牺牲了一头：

做法	视频看到的动作	牺牲了什么
WAMmask	屏蔽 action→video	学不到「指定动作的视觉后果」
WAMnoisy	全程带噪动作	$\mathcal{L}_v$ 退化成「预测未来的边缘分布」，控制信息接近于零
双向联合去噪（Cosmos 3 一路）	带噪 + 双向注意力	视频质量下降（负迁移）；且动作分支被锁死在「必须先生成未来视频」的推理图上
纯世界模型（WM）	全程干净	物理学得好，但完全动作损失

论文的观察是：这四个选项其实是同一根轴上的四个刻度。 用「干净动作前缀长度 $r$」参数化，$r=0$ 就是全噪声，$r=K$ 就是全干净，中间连续。既然是一根轴，就没有理由只取端点。

---

2 方法

2.1 架构：MoT + 非对称因果掩码

视频专家从 Wan2.2-TI2V-5B 初始化（复用其 VAE 与 umT5 文本编码器），动作专家另起一套。两个专家各有自己的 Q/K/V 投影、FFN 和文本 cross-attention，只有「联合注意力这个运算」是共享的。

这一点必须先说清：所谓「shared video–action architecture」不是权重共享，而是在注意力 K/V 上开了一条互看通道。所以它没有出现 Cosmos 3 那种负迁移——两个专家仍各自保留容量。

基座尺寸（从 HuggingFace 官方 config.json 核对）：

参数	值
dim / ffn_dim	3072 / 14336
num_layers	30
num_heads	24（head dim 128）
latent 通道	48
文本编码器	umT5-xxl，text_len 512
VAE 压缩	16×16 空间 / 4× 时间

每层约 1.7 亿参数（注意力 3770 万 + FFN 1.32 亿），×30 ≈ 5.1B，对上「5B」的名头。动作专家是在这个 5B 之上额外挂的一小套专家，不是从 5B 里切出来的。

2.2 可见性矩阵：全文的核心

设 $\mathcal{V}_0$ 是观测块、$\mathcal{V}_i$ 是第 $i$ 个未来帧、$\mathcal{A}_i$ 是与该帧对齐的动作段，则：

$$\mathcal{S}$$v(i)=\mathcal{V}{\le i}\cup\mathcal{A}_{\le i},\qquad \mathcal{S}_a(i)=\mathcal{V}0\cup\mathcal{A}{\le i}

三条结论，全部是工程级的：

• 动作分支永远看不到未来视频 → 部署时不必生成一帧视频；且训练/部署的可见集完全一致。
• 视频分支看得到动作 → 这是「指定控制 → 视觉后果」的唯一显式监督通路。
• 观测块不看任何动作 → 它是观测的纯函数，可以在任何动作存在之前算出来。

第三条还有一条更硬的理由，是计算顺序上的死锁：部署时动作从纯噪声开始去噪，第一步就要 $\mathcal{V}_0$ 当条件。如果 $\mathcal{V}_0$ 的表示依赖动作 token，就变成「要算 $\mathcal{V}_0$ 得先有动作、要算动作得先有 $\mathcal{V}_0$」。

这三条其实是同一句话：每个 token 在训练时的可见集，必须等于它在部署时能拿到的信息集。

注意力本身是 MoT 形式，两个专家的 K/V 拼接后联合 softmax：

$$U_m=\operatorname{softmax}_{\mathcal{S}_m}!\left(\frac{Q_mK^{\top}}{\sqrt{d}}\right)V,\quad K=\begin{bmatrix}K_v\ K_a\end{bmatrix},\ V=\begin{bmatrix}V_v\ V_a\end{bmatrix}$$

掩码只依赖块索引，与 $r$ 无关。 这是实现上的关键便利：三种 regime 可以混在同一个 batch 里，不受变长序列或每样本动态形状影响，训练吞吐几乎不变。

2.3 三种条件 regime：同一根轴上的三个刻度

每样本按 60/25/15 抽取 $r$：

模式	$r$	动作输入	噪声级	$\mathcal{L}_a$ 覆盖	在练什么
全噪声	0	全是噪声	$\tau_a$	全部 $K$ 步	部署时的样子：只给画面，自己出动作
前缀干净	$0<r<K$	前 $r$ 步真值	前 0 后 $\tau_a$	只算后 $K-r$ 步	做到一半，接下来怎么办
全干净	$K$	全是真值	全 0	0	我给你动作，你画出后果

2.4 逐 token 的噪声级 embedding

论文用一句话带过「action expert receives a noise-level embedding for each token」，但这是整个设计的必要配套，不是修饰。

因为 $r$ 会「perturb by up to two action steps」，而每个动作块对齐 4 步——所以 $r$ 可以落在一个块的正中间。$r=18$ 时，第 5 块（动作 17–20）就变成「前 2 步干净、后 2 步带噪」。

于是同一条样本内同时存在两种噪声级：

$$(\underbrace{0,\dots,0}$${r},\underbrace{\tau_a,\dots,\tau_a}{K-r})

如果沿用 DiT 惯用的全局 AdaLN 调制（整条样本一个标量 $\tau$），这个信息表达不了。逐 token 的噪声级 embedding 同时编码了「脏度」和「角色」：0 表示「我是干净条件，别去噪我」，$\tau_a$ 表示「我是带噪目标，请预测速度」。

反过来说：正因为有这个编码方式，$r$ 才能安全地抖动到块中间；否则必须强制块对齐。块对齐给清晰语义（分界落在一个视觉单元上），±2 抖动防捷径（不让模型学「边界总在 4 的倍数」）。

2.5 联合训练目标

目标速度 $\bm{\epsilon}-\mathbf{x}$（flow matching 约定）：

$$\mathbf{x}(\tau)=(1-\tau)\mathbf{x}+\tau\bm{\epsilon}$$

$$\mathcal{L}_v=\mathbb{E}\Big[w_v(\tau_v)\big|\widehat{\mathbf{u}}_v-(\bm{\epsilon}$$v-\mathbf{z}^{\mathrm{fut}})\big|{\mathrm{mean}}^2\Big]

$$\mathcal{L}$$a=\mathbb{E}{r<K}\Big[w_a(\tau_a)\big|\widehat{\mathbf{u}}{a,>r}-(\bm{\epsilon}{a,>r}-\mathbf{a}{>r})\big|{\mathrm{mean}}^2\Big]

$$\mathcal{L}=\lambda_v\mathcal{L}_v+\lambda_a\mathcal{L}_a$$

三个容易错过的点：

1. $\mathcal{L}_a$ 只在 $r<K$ 的样本上算。全干净样本对动作分支的贡献是 0。
2. 下标 $a,>r$ 意味着只有「正在被去噪的那部分」进 loss。已干净的前缀是条件，不产生梯度。
3. $|\cdot|_{\mathrm{mean}}$ 除以有效元素数，所以后缀长度变化时 loss 尺度不变——partial 样本不是「打折样本」，它以正常强度监督了一个子任务。

2.6 梯度沿哪条路双向流动

这是「互相受益」的机制核心，论文只用一句「provide routes for learning signals from one task to shape representations used by the other」带过。展开是：

损失	直接更新	顺带更新	为什么能顺带
$\mathcal{L}_v$	视频专家参数	动作专家的 K/V 投影	视频 query 的注意力落在 $\mathcal{A}_{\le i}$ 的 K/V 上
$\mathcal{L}_a$	动作专家参数	视频专家的 K/V 投影（尤其 $\mathcal{V}_0$）	动作 query 只能 attend $\mathcal{V}$0\cup\mathcal{A}{\le i}

所以第二个命题有了精确通路：动作损失把 $\mathcal{V}_0$ 的 K/V 表征压成「对预测控制有用」的形式，而这个表征同时是视频未来帧 query 的 K/V 来源，视频预测跟着变准。

论文没有做梯度归因实验来证明这条通路，只有端到端指标支撑。[推断]

---

3 训练细节

3.1 四个域的配置

域	训练数据	训练预算	备注
LIBERO	Spatial / Object / Goal / Long 四套演示联合训练	20 epoch，global batch 128	沿用 Fast-WAM 配方
LIBERO-Plus	不训练	—	拿 LIBERO 模型直接零样本测
RoboCasa365	官方演示集	90k 优化步，global batch 1024
真机	3 任务 × 50 条 = 150 episodes	20 epoch，global batch 96	每任务 15 trials/模型

LIBERO-Plus 是完全零样本的。 表里的 59.27% 是在背景、相机、语言、光照、布局、初始位姿、传感器噪声七类扰动全部变化下测出来的，不是重新调过的。

3.2 视频评测集怎么来的

三个 benchmark 本来只用于策略评测，没有给动作条件视频预测准备验证集，所以作者自己造：

域	参考 rollout 来源	规模
LIBERO / LIBERO-Plus	$\pi_{0.5}$	100 条 episode，跨 suite 与七类扰动均匀采样
RoboCasa365	Xiaomi-Robotics-1	100 条 episode，跨 50 个目标任务均匀采样

• 全部多视角（external + wrist）。
• chunk 对齐：LIBERO 系 32 步动作、帧步长 4；RoboCasa365 16 步动作、帧步长 2。两者都正好覆盖 8 个未来帧（不含条件帧）。
• 指标实现：PSNR/SSIM/LPIPS 用 PIQ 0.8；FID 用 Inception-v3 2048 维、$299\times299$；FVD 用 PyTorchVideo 的 I3D-R50、400 维 logits、8 帧 $224\times224$；FID/FVD 的预测与参考都先过 H.264 QP=20 / YUV420p 编解码再提特征。

3.3 张量流（以 LIBERO 分辨率为例）

步骤	张量	形状
文本	E	512 × 4096（umT5），两个专家各一套投影
观测 VAE	z_ctx	48 × 1 × 16 × 16
patchify	$\mathcal{V}_0$	64 token × 3072
未来 VAE	z_fut	48 × 8 × 16 × 16
加噪 + patchify	$\mathcal{V}_{1..8}$	512 token × 3072
动作嵌入	$\mathcal{A}_{1..8}$	32 token × dim_a
序列总长	—	608 token

三种 regime 的序列长度完全相同，差别只在动作 token 的数值与噪声级 embedding——这是能混 batch 的直接原因。

算力分布：576 个视频 token 对 32 个动作 token，约 18:1。所以训练成本基本就是「跑一个 5B 视频模型」，动作专家的边际开销很小。

---

4 推理：两种模式，一个模型

模式	$r$	动作	视频	用途
世界预测	$K$	外部给定、全程固定	从高斯噪声去噪未来 latent	评测预测保真度
动作生成	0	从高斯噪声去噪	完全不生成	真机 / 闭环控制

动作生成的实现要点：$\mathcal{V}_0$ 表征在整个去噪过程中复用（KV 缓存），只跑一次视觉前向。

	常规 WAM（先生成未来视频）	OneWM 动作生成
每 replanning step 前向次数	1（V₀）+ 10（视频）+ 10（动作）= 21	1 + 10（仅动作）
后 10 步参与注意力的 token	每步 608	32 query × 96 key

后 10 步几乎可以忽略。实际开销 ≈ 一次视觉前向 + 一次文本前向 + 极小的动作去噪。

这就是「世界模型的能力留在权重里，而不是留在推理图里」的具体形态。

4.1 Endless Dream

把两种推理模式串成闭环：

$$\hat{\mathbf{a}}$$j\sim p\theta(\mathbf{a}\mid\mathcal{C}_j),\quad \hat{\mathbf{z}}^{\mathrm{fut}}j\sim p\theta(\mathbf{z}^{\mathrm{fut}}\mid\mathcal{C}_j,\hat{\mathbf{a}}j),\quad \hat{\mathbf{o}}{j+1}=\operatorname{last}\big(D(\hat{\mathbf{z}}^{\mathrm{fut}}_j)\big)

• 16 轮 × 32 动作 = 512 步；512 × 0.05 s = 25.6 s，反推控制频率 20 Hz，与 LIBERO 设定一致。
• 每轮 8 帧，两阶段各 10 步去噪，固定种子 42。
• 只有初始观测来自环境，之后全部自产；指令不变，无任何校正。
• 关键实现是 $\operatorname{last}(\cdot)$：只取最后一帧解码，再重新 VAE 编码成新的 $\mathcal{V}_0$。不做 latent 直接续接，而是走一遍解码→编码往返。代价是每次往返都有重建损失，好处是重编码后的观测与真实观测落在同一分布里。

---

5 实验

5.1 消融一：干净动作条件值多少

控制变量：同一套 MoT、同一份数据、同一 batch、同一预算，三者都同时学视频 + 动作。唯一被改的是「视频分支能看到什么动作」。

方法	LIBERO Avg	LIBERO-Plus Overall	RoboCasa365 Overall
$\pi_0$	94.40	53.60	14.80
$\pi_{0.5}$	—	—	16.90
WorldVLA	81.80	25.00	—
Fast-WAM	97.60	49.70	—
GigaWorld-Policy	—	—	20.70
GR00T N1.6	—	—	21.90
WAMmask	92.45	53.37	28.32
WAMnoisy	92.60	52.50	—
OneWM	94.95	59.27	36.68

读法：

• 同分布 LIBERO 上只比两个 WAM 变体高 2.4 / 2.5 点，而且还输给 Fast-WAM 3.6 点。
• OOD 的 LIBERO-Plus 上高 5.9 / 6.8 点；RoboCasa365 上比 WAMmask 高 8.4 点。
• 分项最能说明问题：噪声 67.08 vs 50.41、语言 79.57 vs 73.85、布局 71.08 vs 62.36、背景 57.34 vs 54.00；但光照 79.86 vs 84.24 反而下降，机器人初始位姿 47.81 vs 47.68 基本没动。

准确表述：干净动作条件带来的不是「更强的动作拟合」，而是对场景外观变化的鲁棒性；它对光照渲染风格和本体状态分布无能为力。如果你的失效模式是光照域偏移或本体动力学差异，别指望它。

5.2 消融二：动作学习值多少

控制变量：同一 MoT、同一 Wan2.2 骨干、同一数据与预算，推理时都给干净动作。唯一被改的是有没有动作预测损失。额外加了 WM_AdaLN（IRASim 风格，用 AdaLN 注入动作）来排除「增益来自 MoT 联合注意力本身」这个混淆。

benchmark	指标	Wan	WM_AdaLN	WM	OneWM
LIBERO	PSNR ↑	20.52	20.52	22.33	22.95
	SSIM ↑	.8045	.8057	.8325	.8423
	LPIPS ↓	.1817	.1793	.1529	.1458
	FID ↓	14.00	12.88	11.89	12.45
	FVD ↓	15.83	14.73	13.68	13.58
LIBERO-Plus	PSNR ↑	19.08	19.58	20.54	21.05
	SSIM ↑	.7575	.7813	.7937	.8049
	LPIPS ↓	.2448	.2185	.2014	.1935
	FID ↓	24.01	15.91	18.06	17.01
	FVD ↓	49.73	29.53	32.48	31.66
RoboCasa365	PSNR ↑	23.27	22.22	24.72	25.21
	SSIM ↑	.8176	.7873	.8433	.8515
	LPIPS ↓	.1292	.1564	.1087	.1015
	FID ↓	9.04	10.28	9.20	9.16
	FVD ↓	20.23	15.98	18.55	17.74

• 与架构完全一致的 WM 比，OneWM 在 PSNR/SSIM/LPIPS 三项上三个 benchmark 全胜，FVD 也全胜。
• 但幅度很小：PSNR 只涨 0.49–0.62 dB。证明「有收益」，不足以支撑「显著重塑」。
• FID/FVD 会与 PSNR 冲突：LIBERO-Plus 上 WM_AdaLN 的 FID 15.91 / FVD 29.53 明显优于 OneWM 的 17.01 / 31.66。作者给了正确解读——这两个是池化特征分布的距离，把生成的视频随机配给别的动作序列，数值不会变。它们根本不检验「画面是否跟随指定动作」。

这条对整个领域有效：如果你的世界模型评测只报 FID/FVD，你测的可能只是「画得像不像」，而不是「听不听话」。

论文用定性的配对对比补这个洞：同一观测、同一指令、同一条干净动作序列、同一相机，只换模型。看的是夹爪相对物体的位置、瓶身旋转、抽屉位移这类「画面是否跟随动作」的证据。

5.3 消融三：条件混合比

混合比（全噪/前缀/全干净）	LIBERO SR	LIBERO-Plus SR	PSNR (LIBERO/Plus)	SSIM (LIBERO/Plus)
60/25/15（默认）	94.95	59.27	22.95 / 21.05	.8423 / .8049
50/35/15	95.95	56.98	22.44 / 20.57	.8347 / .7943
30/45/25	87.80	38.01	23.12 / 20.90	.8443 / .7993

现象自洽的解释：

• 50/35/15：同分布 LIBERO 反而最好（95.95），但 OOD 掉 2.3 点。
• 30/45/25：OOD 从 59.27 崩到 38.01（−21 点）。而部署时恰恰是 $r=0$ 的全噪声模式，这个 regime 的样本从 60% 掉到 30%——砍了一半。另外 70% 的样本都在做一件更容易的事（有一半甚至四分之三的动作是白送的）。
• 同时世界预测指标基本不动甚至略好（PSNR 23.12 最高）：干净条件越多，视频任务越容易，这是「任务变简单」而非「模型变强」。

所以 30/45/25 不是「两个任务双输」，而是把训练信号从部署模式转移到了更容易的 regime。主因是 $r=0$ 样本被砍半，token 配额下降（−28%）、有动作 loss 的样本比例下降（85%→75%）只是同方向的次要因素——而崩塌幅度远超它们的线性外推，说明更像跨过了某个阈值。

---

6 四个 insight

I1　因果掩码是「信息集对齐」，不是建模偏好

最容易被当成实现细节、其实是全文前提的一条。

双向注意力下，动作分支在训练时能偷看「即将被去噪的未来视频 latent」——那是标签泄漏。这条通路在「只生成动作」的部署模式下完全不存在。

但注意：如果部署模式就是同步联合去噪，那未来 latent 确实存在，就不算泄漏。 这种情况下真正的问题是另外三个：

1. 延迟：出 32 个动作要先跑完整条视频去噪。
2. 漂移：动作读的是模型自己生成的未来画面，策略失效 $\subset$ 世界模型失效，引入了一个额外失效点。
3. 正方形 vs 对角线：训练时 $\tau_v,\tau_a$ 独立采样，$(\tau_v,\tau_a)$ 铺满单位正方形；部署时同步去噪只走对角线。

这才是双向联合去噪的结构性问题——不是它作弊，而是它让训练信号无法归因。

所以 OneWM 的掩码买来的不是「正确性」，是部署形态的自由度：它把「必须生成未来视频」从推理图里摘掉了，代价是放弃那条最容易的通路。

I2　「世界模型看到多少动作信息」是一个旋钮

前人把这件事当成离散选择，OneWM 说这四者是同一条线上的点。一旦接受这个视角：三种 regime 可以混在一个 batch 里（掩码与 $r$ 无关）；「任务变更」变成纯数据构造，不需要改架构、不需要改 loss 形式；两个方向被并入同一批参数。

真正的新意：任务边界不该画在架构上，该画在数据上。

I3　互益是真的，但表现为「泛化」而非「拟合」

	同分布 LIBERO	分布外 LIBERO-Plus
OneWM vs WAMmask	+2.5	+5.9
OneWM vs WAMnoisy	+2.35	+6.8
OneWM vs Fast-WAM	−2.65（输）	+9.57（赢）

以干净动作为条件的前向动力学监督，不会让策略更会做它练过的任务；它让策略的表征对与任务无关的外观变化更不敏感。

反直觉的推论：如果目标只是刷同分布 benchmark，这套设计是负收益的。

I4　FID/FVD 检验不了「动作条件性」

见 5.2。正确做法是配对指标 + 定性图里的接触点/位姿关系，分布指标只能当辅助。

---

7 创新点评级

候选创新点	评级	依据
MoT 双专家	✗ 借用	Liang et al. 2024
Wan2.2 骨干、flow matching	✗ 借用	官方权重 / Lipman et al. 2023
因果块掩码	~ 具体化	WorldVLA / Fast-WAM 已有因果变体
$r$ 参数化条件	✓ 概念创新	前人当离散设计选，这里当连续旋钮扫
partial-clean	~ 重组	inpainting / prefix-LM 的套路搬到动作块
逐 token 噪声级 embedding	~ 必要配套	不是创新，是 $r$ 抖动到块中间的必然要求
同 batch 混 regime	✓ 工程创新	掩码与 $r$ 无关 → 零开销混跑
双向受控消融（含 AdaLN 对照）	✓ 方法论创新	架构匹配，排除了联合注意力的混淆
Endless Dream	✗ 演示	固定 16 轮、种子 42、仅定性

一句话：创新在「问题重构 + 严谨消融」，不在「新模块」。

它和 Fast-WAM 的关系需要说准：Fast-WAM 的标题本身就是 Do world action models need test-time future imagination?，结论「不需要」已经给出了。OneWM 的 delta 是证明了不必靠拆模块也能做到：

	Fast-WAM	OneWM
部署时不生成视频	✅	✅
视频/动作共享表征	❌ 拆成独立模块	✅ 同一注意力运算
因此能谈「互益」	❌	✅

---

8 局限与复现缺口

按严重程度：

1. partial-clean 的必要性完全没证明。三档配比里 partial 从 25% 加到 45%，唯独没有 0%。而趋势是越多越差。所以现有数据只能支持「25% 是可承受上限」，不能支持「它必不可少」——而按论文自己的叙述，partial 是连接两个端点的关键。
2. 第一组消融有监督量混淆。WAMmask / WAMnoisy 的动作损失覆盖 100% 样本，OneWM 只覆盖 85%（60% 全量 + 25% 后缀）。所以「干净条件」的增益里混着「监督量不同」。
3. 真机每任务 15 trials。粒度 6.7%，三任务合计 45 trials，统计功效很弱。
4. 视频评测集只有 100 条 episode，且来自 $\pi_{0.5}$ / Xiaomi-Robotics-1 的 rollout，与训练数据分布不同；无置信区间，PSNR 上 0.5 dB 级别的差异有多少是采样噪声无法判断。
5. 跨论文数字不可比。表里的 $\pi_0$ / Fast-WAM / GR00T / GigaWorld-Policy 是各自论文的数字，数据、预训练、预算都不同。唯一可信的是内部对照。
6. 没有任何效率数字。没有参数量、FLOPs、单步延迟、显存。对一个主打「部署时不必生成视频」的方法，这是明显空缺。

复现必须知道但论文没写的：

缺口	影响
动作专家怎么初始化	致命。从 Wan 复制再改投影，还是随机初始化，是两件不同的事——直接决定能否收敛
dim_a、动作归一化、绝对/增量	致命。与 flow matching 的目标尺度强相关
$\lambda_v,\lambda_a$ 与 $w_v,w_a$ 的形式	高
partial 采样中「块对齐 vs 均匀」的混合比例	中。只写「按固定比例」
训练分辨率与每帧 latent token 数	中。决定显存，也决定序列长度
多视角怎么进序列	中。Endless Dream 用主视角 + 腕视角，但没说是否拼成同一序列
每帧对齐几个动作步	低。可从「32 步 / 8 帧 / stride 4」推出为 4，但正文未明写

---

9 三个在讨论中被修正的判断

这轮研读里，有三处最初的直觉是被推翻或修正的，记录在这里：

① 「混合比调节的是动作监督 token 配额」——不完整。 token 配额可以精确算：$p_{\text{noisy}}K+p_{\text{partial}}\cdot K/2$（前缀均匀采样与块对齐采样的期望都是 $K/2$）。但真正崩的是「部署模式（$r=0$）的样本被砍半」，而配额只降 28%、样本比例只降 17%——崩塌幅度 36% 远超它们的线性外推。另外 $|\cdot|_{\mathrm{mean}}$ 让每条样本的 loss 量级与后缀长度无关，所以「配额」衡量的是覆盖面，不是梯度大小。

② 「双向联合去噪 = 偷看未来」——措辞错误。 如果部署就是同步联合去噪，未来 latent 在推理时确实存在，动作读取它不构成泄漏。真正的问题是延迟、漂移，以及「训练铺满正方形、部署只走对角线」的分布不匹配。只有当部署要跳过视频生成时（所有实时控制系统都会这么选），那条通路才变成纯负债。

③ 「混合比在把容量从策略转移到世界模型」——不准确。 两个专家的 FFN 和投影是各自独立的，不存在参数层面的零和竞争。视频分支拿到的梯度量没变，只是题目变简单了（条件更干净）；动作分支拿到梯度的样本变少了。更准确的说法是训练信号分配，不是容量转移。

---

10 可以往哪走

按性价比排序：

1. 补 0% partial 对照 + 按 token 配额重参数化混合比。 现在混合比是个三维单纯形，而真正影响策略的是 $r=0$ 样本的比例和一个「表征分裂」的量。如果能证明后者可以用更便宜的辅助损失替代，就能砍掉整个 partial 机制——这本身是一个完整的工作。
2. 把 $r$ 从随机采样换成可学习/自适应。 60/25/15 是手调的；做成按当前 loss 或表征一致性动态调整，就从「数据构造技巧」升级成「训练策略」。
3. 检验「表征分裂」假设。 本文给出的最强机制解释是「partial-clean 防止动作表征分裂成『当条件的码』和『当目标的码』」，但论文完全没测。可操作实验：比较「混 regime 训练」与「分 regime 训练」的动作表征（线性探针、CKA 相似度）。如果假设成立，这是比成功率高几个点更硬的贡献。
4. 两个泄漏诊断。 ① 推理时把真值未来视频喂给动作分支，看成功率是否暴涨；② 固定 $\tau_a$ 扫 $\tau_v$，看动作 loss 是否对 $\tau_v$ 敏感。健康模型对两者都应不敏感。

---

参考

• 论文：arXiv:2610.21095
• 项目页：selen-suyue.github.io/OneWMNet
• 基座配置：Wan-AI/Wan2.2-TI2V-5B