实时机器人控制一直有个两难：要判断物体运动和任务进度，策略得看足够长的视觉历史；可历史一长，推理变慢，动作就跟不上物理世界。NVIDIA 研究团队 10 月 7 日提交到 arXiv 的 Long-WAM 给出的答案是模型与系统一起改：把世界-动作模型的视觉上下文扩到 19.2 秒，同时用一整套推理优化把单步延迟压进百毫秒级。
记忆越长越好，但红利只属于自回归预训练
核心发现：看得见历史，不等于会用历史。它的视频专家从 LongLive2.0-Robot 检查点继续自回归训练，数据是约 1 万「窗口等价小时」的机器人与第一视角视频（RoVid-X、AgiBot World、EgoDex、EgoVerse、VITRA），不带动作标签，做最长 30 秒的下一块预测；之后经不对称注意力接口（Mixture of Transformers）与动作专家耦合，视频查询永远不读动作 token。
收益写在数字里：RoboCasa GR-1 上，观察上下文从 2.4 秒扩到 19.2 秒，成功率从 66.3% 升到 78.7%；LIBERO-Long 上，2.4 秒历史就把成功率从 94.5% 拉到 99.5%。对照组更有说服力——双向预训练的 Wan2.2 初始化，同样喂 19.2 秒只有 61.6%，项目页称「无净增益」。长上下文的红利，属于自回归预训练。边界也标得诚实：扩到 38.4 秒成绩回落，但那里 80.4% 的采样历史帧是 padding（训练轨迹平均仅 12.1 秒），回落反映数据不够，不是记忆上限。
先在潜空间想象未来，再出手
推理走逆动力学（IDM）模式：视频专家从观察历史预测部分去噪的未来潜变量，不解码像素；动作专家以「历史+预测未来」为条件去噪出动作块。真机结果最抓眼：Unitree G1 在传送带上抓移动杯子，3.0/4.5/6.0/7.5 cm/s 四档速度成功率分别为 100/100/95/90%，两个基线在 6.0 与 7.5 cm/s 全军覆没；动态叠杯 19/20（95%），π0.5 与 Fast-WAM 均为 0/20，人类遥操作 50/54（92.6%）。YAM 平台上超过 40 秒的长程任务平均 81.7%。与 GPT-6 Astra 搭档时，同一检查点不加训练，RoboCasa365 总成功率从 31.4% 升到 54.4%，未见过的组合任务从 6.1% 跳到 35.0%。
107.4 毫秒：实时性是系统工程
模型再聪明，超时就废。团队用流式 VAE 编码、纯异步执行、NVFP4 量化、KV 复用、CUDA Graph 加设备级 kernel 调优，把「先预测再行动」全管线在 RTX 5090 压到每动作块 107.4 毫秒（含未来潜变量预测），较 BF16 eager 提速 3.3 倍；DGX Spark 为 328.2 毫秒（4.1 倍），Jetson AGX Thor 为 378.7 毫秒（3.2 倍）。横向延迟对比里，LingBot-VA 要 3618.4 毫秒、Motus 1201.1 毫秒、Fast-WAM 244.1 毫秒。纯异步执行下 RoboTwin 2.0 成功率 94.2%（同步 94.4%），几乎没有损耗。
所以呢
Long-WAM 的意义不止机器人：它给「上下文收益取决于预训练范式」提供了控制领域的对照实验——大模型界卷了两年多的长上下文叙事，第一次有了具身智能版本的量化证据。对做 VLA 的人来说，选自回归视频基座还是双向扩散基座，可能比再堆一个数量级的数据更关键。论文与全部数字见项目页 nvlabs.github.io/LongLive/Long-WAM/ 与 arXiv:2610.10528。