Problem

現有的世界動作模型（WAM）通常在推論階段需顯式生成未來視覺影像，這會產生龐大的計算負擔，進而阻礙機器人在實際部署時所需的即時閉環控制。

Method

採用「動作中心化」設計，僅在訓練時利用視覺動態進行監督，推論則轉為純動作解碼。架構上引入 Mixture-of-Transformers (MoT) 分離視覺建模與動作生成專家，並結合 AutoResearch 自動化智能代理系統，系統性地搜尋最佳超參數與訓練配置。

Results

實驗證明 GigaWorld-Policy-0.5 在本地 RTX 4090 設備上達成了 85 毫秒的低推論延遲。混合預訓練策略強化了視覺動態與動作表徵的耦合，使模型在不犧牲控制精度的情況下，顯著提升了運算效率。

Significance

本研究成功解決了機器人策略模型中「物理感度」與「部署效率」的兩難局面，為開發高性能、低延遲的具身智慧系統提供了可規模化的技術框架與自動化研發範式。