World-Language-Action Model for Unified World Modeling, Language Reasoning, and Action Synthesis
世界-语言-动作模型：统一世界建模、语言推理与动作合成
🧭 具身AI · 世界-动作模型
SJTU · SII · HUST · SCUT · ECUST
提出WLA模型，基于自回归Transformer联合预测文本子任务、子目标图像和动作，统一世界建模与语言推理
📌 工作参考价值（4 点）
- 世界预测辅助动作生成的分工设计：可借鉴世界专家与动作专家的解耦思路，在推荐/Agent中引入辅助世界建模任务（如用户状态或环境变化预测），为决策提供额外信号，训练时利用世界预测的归纳偏置，推理时可关闭以降低延迟。
- 自回归联合预测语义意图与物理动作：用户行为序列建模可扩展为同时预测下一步的语义意图（如查询词）和具体动作（如点击），提升推荐策略的长程一致性。
- Test-time scaling机制：世界预测在推理时可按需激活，通过多步前瞻提升动作准确性。在推荐场景中，类似地可在关键决策点（如重排序）冗余计算未来用户状态，以计算换性能。
- 从无标注视频学习新任务：论文展示了仅利用无动作标注视频预训练的潜力，对电商中从无强监督行为日志学习策略有启发，但需注意领域差异。