你让一台四足机器人走到桌边拿起盒子。它刚迈一步，胸前相机的画面就跟着晃；机械臂一伸，物体和夹爪又同时移动。机器人若分不清哪些变化来自自己走路，哪些来自手臂操作，就像人在移动的车上伸手端水，却只盯着杯子，不管车身正在转弯。
DECOWAM 要解决的正是这个问题：不再把“走路”和“动手”当作两件彼此独立的事，而是用一个统一的世界—动作模型，同时预测未来画面与全身动作。世界—动作模型，可以理解为机器人的内部预演器：它根据当前所见、身体状态和语言指令，推测接下来会看到什么，以及底盘和机械臂应该怎样行动。
以下数字均来自作者在论文中报告的实验，尚无机构外独立信源交叉验证。
画面在动，不等于世界在动
固定在桌边的机械臂比较省心。相机通常不动，画面中的位移大多来自机械臂或物体。四足机器人不同：相机装在会移动的底盘上。机器人前进、转向或受扰动时，整个视野都会变化。
这种由相机自身移动造成的画面变化叫自运动（ego-motion）。如果模型把它和物体运动混在一起，就可能错误理解现场：桌子在画面中向左滑，不一定是桌子动了，也可能只是机器人向右转了。
全身控制还有另一层麻烦。论文设定中，机械臂关节以 15—30 Hz 的频率控制，底盘速度命令通常只有 3—5 Hz。前者需要快速、细小的修正，后者关心较慢的移动方向。若把两类信号直接塞进同一串动作里，模型就得用一套内部表示同时理解“去哪里”和“手怎么动”。
把三件事拆开，再放回同一场预演
DECOWAM 建立在 FastWAM 之上。FastWAM 原本就会联合预测未来视频和一段动作；DECOWAM 的关键变化，是给底盘、机械臂和相机自运动安排各自明确的入口。
首先，它把动作信息压缩为两组潜在表示——也就是模型内部看不见的数字摘要。一组主要保留底盘运动信息，另一组主要保留机械臂信息。训练时，作者用对抗式约束，尽量避免底盘摘要偷偷携带手臂信息，也避免手臂摘要混入底盘信息。可以把它理解为让导航员和操作员各记自己的笔记，最后再共同决定下一步，而不是两个人在同一张纸上混写。
其次，模型把当前底盘速度直接交给视频预测部分。这个速度既是机器人要预测和执行的动作，也是解释未来画面为何整体移动的线索。DECOWAM 不会据此直接搬动画面，而是让视频模型明确知道：接下来的像素变化中，有一部分可能来自相机随底盘移动。
第三，作者加入“action-equivalent future bottleneck”。它在训练时读取未来观察，将其中与动作结果有关的信息压缩成一个瓶颈表示，再把这种结构蒸馏给只能看到当前输入的学生模型。蒸馏可以理解为老师在训练阶段看过答案，然后教学生抓住解题线索；真正部署时，未来画面、教师模块和辅助预测头都会移除，模型仍只依赖当下信息。
大模型不重练，只加机器人专用通道
训练分成两步。第一阶段，作者用 ARMDOG 数据对 FastWAM 全量适配 5 万步，让原模型先熟悉移动相机和四足底盘加机械臂的动作空间。第二阶段冻结 FastWAM，只训练残差适配器以及上述未来瓶颈、底盘—手臂分解和速度条件通道。
这一步只有 25.95M 个可训练参数，相比 FastWAM 全量微调时的 6020.75M，约少 232 倍。但这不代表整个模型缩小了：DECOWAM 总参数量为 6751.38M，略高于 FastWAM 的 6725.44M；减少的是第二阶段需要更新的参数。论文还报告，评估延迟从 1196.6 毫秒升至 1333.2 毫秒，增加 11.4%。所谓“参数高效”，主要指训练更新更集中，不等于模型更轻或推理更快。
ARMDOG 把眼睛、身体和指令对齐
这些接口需要同步数据才能训练。作者构建的 ARMDOG 面向一台带 6 自由度机械臂和 1 自由度夹爪的四足平台，将视频、身体状态与动作、语言指令对齐。
质量筛选后的完整数据包含 1487 个 episode、5 个任务文件夹和 343,550 帧，按 15 Hz 计算约 321.3 分钟。任务以 Bottle Pick&Place 和 Place Block 为主，分别占 56% 和 39%；Object Pick&Place 占 4%，Climb Slope 占 1%。论文同时说明，不同训练与评估阶段使用的是更小子集，不能把完整语料规模直接当成每项实验的训练量。作者称计划提供原始及清洗后的文件、转换数据、固定划分清单和 datasheet，但论文措辞是“planned release”，因此不能据此认定数据已经公开。
预测更准，真正的优势在协调
在固定回放实验中，DECOWAM 与其出发点——训练 5 万步的 FastWAM——使用相同输入和评估流程。它把未来画面的帧均方误差从 降到 ，下降 15.03%；动作均方误差从 降到 ，下降 21.71%。这表示预测误差变小，不能解释为任务成功率提高了 21.7%。
单独移除结构模块时，结果也朝同一方向变化。相较只保留残差适配器的对照组，完整模型的画面均方误差降低 4.6%，动作均方误差降低 15.7%，动作平均绝对误差降低 16.1%。去掉未来瓶颈或底盘速度条件，视频和动作指标都会变差。这说明提升并非只来自额外适配参数。
不过，专门做动作预测的 X-VLA 仍取得更低动作误差。DECOWAM 的取舍是：动作精度保持在较强水平，同时额外预测 8 帧未来 RGB 画面和一个 48 步全身动作序列。它想要的不是单项动作榜首，而是让视觉预演与控制共享对未来的理解。
实体机器人实验更能体现这种取舍。每种方法进行了 79 次闭环试验——机器人根据新观察持续调整，而不是一次性执行预先录好的动作。DECOWAM 完成 46 次任务，成功率 58.2%；FastWAM 为 57.0%。两者完成率接近，不能说 DECOWAM 明显胜出。
差别主要出现在过程质量上。DECOWAM 的全身协调成功率为 44.3%，FastWAM 为 34.2%；底盘位移扰动下的稳健成功率分别为 30.4% 和 12.7%。它还以 32.9% 的恢复率领先参评系统，并把平均完成时间从 FastWAM 的 65 秒降至 49 秒。论文所说的优势，因此更准确地落在“底盘移动时，手臂仍能维持操作连续性”，而不是最终任务完成率的大幅跃升。
为什么值得关注
DECOWAM 最有意思的地方，不是又给机器人增加一种预测头，而是改变了移动操作的建模视角。底盘速度不再只是控制输出，也是解释相机画面的条件；底盘和手臂不再分别由互不相干的系统处理，而是在同一次未来预演中分工协作。
这与人的直觉很接近。伸手拿移动中的物体时，我们不会先彻底解决身体移动，再单独计算手臂动作。身体、视线和手会共同调整。DECOWAM 提供的证据表明，把这种“全身共同改变未来”的结构写进模型，可能比单纯扩大统一动作表示更适合腿式移动操作。
局限与未知
- 全部核心结论来自同一篇论文。实体实验每种方法虽有 79 次试验，但文中未报告方差或显著性检验，领先幅度是否稳定仍待更多验证。
- 数据任务分布高度集中在两类物体操作上，坡道任务只占 1%。这些结果能否推广到更丰富的移动与操作场景，论文没有给出答案。
- DECOWAM 降低了第二阶段的可训练参数量，却没有缩小总模型，推理延迟反而增加。它节省多少训练资源、是否适合算力受限的平台，还需要更完整的成本数据。