WAVE-0: Bridging VLA Policies and WAMs with Lightweight Latent Future Prediction
HF Daily2610.18568
Haomin Wang, Anqiong Ji, Ke Wang2026-10-13
무엇인가
로봇 조작 정책에는 두 갈래가 있다. 하나는 시각·언어·행동을 함께 학습한 VLA 정책으로 범용 조작에 강하지만, 자기 행동이 환경을 어떻게 바꿀지 명시적으로 모델링하지 않은 채 행동을 내놓는다. 다른 하나는 월드 액션 모델(WAM)로 미래를 예측하지만, 대부분 비싼 비디오 생성에 의존한다. 잠재 공간에서 미래를 다루는 대안들도 예측 미래를 보조 목표로만 쓰거나, 대규모 비디오 사전학습을 거쳐야 하는 값비싼 경로를 탄다. WAVE-0는 이 간극을 겨냥한다.
어떻게 동작하나
WAVE-0(World-model-Augmented VLA Execution)는 사전학습된 VLA 위에 257M 규모의 경량 잠재 월드 모델을 얹는다. VLM이 만들어낸 잠재 행동 계획을 월드 모델이 미래 표현으로 번역하고, 그 표현이 액션 전문가(action expert)를 조건화한다. 잠재 계획, 미래 예측, 행동 생성이 하나의 흐름으로 묶이는 구조다. 핵심은 예측된 미래가 곁다리 감독 신호로 머무는 게 아니라 행동 생성 자체를 이끄는 조건으로 들어간다는 점이다.
무엇과 다른가
월드 모델은 정답 로봇 행동에 직접 학습되며, 반사실적 랭킹(counterfactual ranking) 목적함수를 쓴다. 저자들에 따르면 픽셀 재구성도, 대규모 비디오 사전학습도 필요하지 않다.
어떻게 쓰나
시뮬레이션 벤치마크에서 RoboTwin 2.0 91.47%, LIBERO 98.7% 성공률을 보고한다. 분포 이동이 있는 변형 과제에서는 LIBERO-Plus 88.0%, LIBERO-Pro 61.4%, LIBERO-Para 75.0%다. 실세계 과제에서는 π0.5의 성공률을 38.3%에서 73.3%로 끌어올렸다고 밝힌다.
전제와 한계
실무에서 눈여겨볼 지점은 결합 방식이다. 이미 VLA를 돌리고 있는 파이프라인에 별도 월드 모델을 얹는 형태이고, 그 월드 모델이 비디오 생성이나 대규모 사전학습을 요구하지 않는다고 주장하기 때문에 도입 비용 추정이 비교적 단순하다. 다만 실제로 붙이기 전에 확인할 것은 남는다. 257M 월드 모델이 추론 지연에 얼마를 더하는지, 기존 VLA 백본과 어떤 조건에서 결합 가능한지, 실세계 개선 수치가 특정 베이스라인(π0.5)에서만 측정된 것인지를 따져야 한다.
초록은 별도의 한계 절을 제시하지 않는다. 다만 전제는 분명하다. 사전학습된 VLA가 이미 존재해야 하고, 월드 모델은 정답 로봇 행동이 있는 데이터로 학습된다. 픽셀 재구성을 하지 않는다는 선택은 결국 잠재 표현의 품질에 성능이 걸린다는 뜻이며, 초록만으로는 어떤 분포 이동에서 얼마나 무너지는지, 추론 지연이 어느 정도인지는 알 수 없다.
