必要なときに夢を見る：適応的マルチモーダル推論による世界行動モデルの進化

- World Action Models (WAMs) の新手法 **AdaWAM** を提案。 - 適応的なマルチモーダル推論能力を持つ世界行動モデル。 - 軽量な **dynamic router** を統合し、タスク実行中に必要に応じてテキスト推論または視覚推論を自律的に起動。 - 長期的・複雑なタスクにおける embodied intelligence の向上を目指す。

- 既存の WAMs は video prediction を action prior に過度に依存し、適応的なマルチモーダル推論を欠く。 - そのため長期的・複雑なタスクでの有効性が限定的だった。 - AdaWAM は実行コンテキストに応じて推論モードを切り替え、推論効率を大幅に改善しつつ、state-of-the-art の embodied policies を上回る。

- 観察: WAMs は実行コンテキストにより異なるマルチモーダル推論モードを必要とする。 - タスク遷移時: テキスト推論が高レベル行動予測に不可欠。 - 細粒度マニピュレーション時: 視覚推論が精密制御に重要。 - 提案: **AdaWAM** は軽量な **dynamic router** を統合。 - タスク実行中にテキストまたは視覚推論を必要に応じて自律的にトリガー。

- シミュレーションおよび実世界の embodied タスクで実験。 - AdaWAM は推論効率を大幅に改善し、state-of-the-art の embodied policies を上回る性能を示した。 - コードとデモは https://adawam.github.io/ で公開。

- 要旨からは不明。 - 具体的な議論や限界、失敗事例、計算コストの詳細などは記述されていない。

- 要旨で参照/比較されている研究: 既存の **World Action Models (WAMs)**、**video prediction** を action prior とする手法、**state-of-the-art embodied policies**。 - 関連手法: **adaptive multimodal reasoning**、**dynamic router**、**embodied intelligence**。 - 同分野の定番: **Vision-Language-Action (VLA) models**、**world models**、**model-based reinforcement learning**。