FAST-WAM¶
约 116 个字
并非构建了一个新的 WAM 的架构，是在探究，对于 WAM 来说，预测下一帧的视频对于 action 到底有没有用，如果有用的话，是在训练阶段还是在推理阶段
基于一个 MoT 系统，通过 joint 预测 VAE 和 Action 的 field 大小，然后在推理的时候，不再进行 Video DiT 的输出，只进行一次 foward 得到一个 latent frame，然后 action 输出完整的 chunk
约 116 个字
并非构建了一个新的 WAM 的架构，是在探究，对于 WAM 来说，预测下一帧的视频对于 action 到底有没有用，如果有用的话，是在训练阶段还是在推理阶段
基于一个 MoT 系统，通过 joint 预测 VAE 和 Action 的 field 大小，然后在推理的时候，不再进行 Video DiT 的输出，只进行一次 foward 得到一个 latent frame，然后 action 输出完整的 chunk