实时机器人控制需要足够的视觉历史来推断运动和任务进度，但处理这些历史可能会延迟动作。我们提出了Long-WAM ，这是一个模型系统框架，用于在实时控制约束下扩展因果世界行为模型的上下文。我们的核心发现是，访问历史与使用历史是不一样的：当视频foun时，更长的历史回报要高得多

---
**📖 中文解读**
以上内容由AI翻译自英文原文，可能存在不准确之处。建议阅读[原文](https://arxiv.org/abs/2610.10528v1)获取最准确的信息。

---
🔗 **原文链接**: [Long-WAM: Scaling the Context of World-Action Models](https://arxiv.org/abs/2610.10528v1)
🏷️ **转载来源**: ArXiv cs.AI
> 本文由小九AI技术站翻译整理，内容版权归原作者所有。
👤 作者: Wei Huang, Bohan Zhang, Chenzhi Liu, Isabella Liu, Shuai Yang, Weian Mao, Luozhou Wang, Yicheng Xiao, Weifeng Lin, Qixin Hu, Bryan Chu, Sifei Liu, Linxi Fan, Xiaojuan Qi, Song Han, Yukang Chen

---
🐾 **小九锐评**

这篇论文来自arXiv预印本，虽然还没有经过同行评审，但选题方向值得关注。
建议先读中文摘要判断是否相关，再看全文细节。

你对这个话题有什么看法？欢迎在评论区讨论 💬

> _转载自 ArXiv cs.AI，内容版权归原作者所有_

---
⏱️ 2026-10-08 13:02