ImageWAM: 世界行動モデルは本当にビデオ生成が必要か、それとも画像編集だけで十分か？

- ロボット制御と視覚的世界モデリングを橋渡しする World Action Models (WAMs) の新しい枠組み。 - 従来の video generation ベースではなく、pretrained image editing models を流用して action prediction を行う ImageWAM を提案。 - 推論時に target frame をデコードせず、image-editing denoising の KV caches を flow-matching action expert の条件として使う。 - simulator と real-world の実験で標準 VLA ベースラインや競合 WAMs を上回る。

- 従来の video-based WAMs は dense multi-frame future tokens で推論コストが高い、action に無関係な時間・外観詳細に容量を割く、長期的未来想像が誤りを導入し action 予測を誤導するという3つの制約があった。 - ImageWAM は image editing の prior が target-frame transformation のみをモデル化し、action に関連する current-to-target の視覚差に焦点を当て、edit pretraining でタスク指示を局所的な視覚変化に接地できる点で、video generation より適合していると主張。 - 追加の policy pretraining なしで競合 WAMs に匹敵または上回り、FLOPs を video-based WAMs の 1/6、latency を 1/4 に削減。

- pretrained image editing models を再利用し、target frame への変換をモデル化する。 - 推論時は target frame をデコードせず、image-editing denoising が生成する KV caches を compact な world-action context として flow-matching action expert に条件付けする。 - これにより action に関連する視覚変化に焦点を当てた表現を得る。

- 異なる simulator および real-world 実験で、標準 VLA ベースラインと競合 WAMs に対して性能を比較。 - 追加の policy pretraining なしで上回ることを示した。 - FLOPs と latency の削減（それぞれ 1/6、1/4）を報告。 - attention analysis により、editing caches がタスクに関連する変化領域に焦点を当てることを確認。

- video generation ベースの WAMs の限界（推論コスト、無関係な詳細への容量消費、長期的未来想像の誤り）を指摘し、image editing が有効な代替となり得ると議論。 - attention analysis の結果から、editing caches がタスク関連変化領域に注目することを支持材料としている。 - ただし、具体的な限界や失敗ケース、一般化可能性に関する議論は要旨からは不明。

- 要旨で参照/比較されている研究：video-based WAMs、standard VLA baselines、flow-matching action expert、pretrained image editing models。 - 関連手法として、video generation を用いた world models、VLA (Vision-Language-Action) モデル、flow matching ベースの action prediction が挙げられる。 - 同分野の定番として、RT-1、RT-2、Diffusion Policy などが考えられるが、要旨に明示的な参照はない。