面向世界动作模型的事件对齐视觉动作推理

该研究提出事件对齐视觉动作推理框架，让世界动作模型（WAM）围绕交互事件组织视觉-动作预测，在关键状态变化处细化推理、在过渡段粗粒度推进，并加入执行有效性头剔除分块推理中的冗余动作。在 DOMINO 上成功率较基线提升 10.26 个百分点，在 RoboTwin 2.0 上表现具竞争力，且可从 DOMINO Level 1 迁移至 Levels 2 和 3 而无需目标层级适配。