ProWAM：渐进式视觉规划的世界动作模型

ProWAM 是一种渐进式世界动作模型，联合预测动作与有序的稀疏视觉子目标序列，为任务执行中的动作生成提供显式视觉引导。它通过单次视频骨干前向传播缓存稀疏子目标特征，避免迭代式全视频生成，重规划时仅需轻量动作去噪。