📃Fast-WAM 리뷰

Fast-WAM: Do World Action Models Need Test-time Future Imagination?

• Paper Link (arXiv:2603.16666) — 이 리뷰는 v2 (2026-03-23, CC BY 4.0) 기준이다.

• Project Page

• Code Link (github.com/yuantianyuan01/FastWAM) — MIT(GitHub이 other로 분류하지만 LICENSE 원문은 MIT다. 다만 “third-party code and files retain their original license” 단서가 붙는다). 체크포인트(HF yuanty/fastwam)와 LIBERO·RoboTwin 학습 데이터셋까지 공개돼 있다.

• Tianyuan Yuan, Zibin Dong, Yicheng Liu, Hang Zhao (IIIS, Tsinghua University · Galaxea AI)

• arXiv preprint, 2026

1. 💡 World Action Model(WAM)의 이득이 학습 때의 비디오 예측 목적함수에서 오는지, 추론 때의 명시적 미래 상상에서 오는지를 분리해 묻고, 후자가 생각보다 덜 중요하다고 주장한다.
2. ⚙️ Wan2.2-5B 비디오 DiT + 1B action expert를 shared attention의 Mixture-of-Transformer로 묶되, action token이 미래 비디오 token을 절대 보지 못하게 attention mask를 걸어 학습한다 → 추론 때는 미래 비디오 브랜치를 통째로 떼어내고 첫 프레임 latent 한 번의 forward만으로 행동을 낸다.
3. 🎯 RoboTwin 2.0 91.8%, LIBERO 97.6%를 embodied pretraining 없이 달성하면서 지연은 190 ms — 같은 프레임워크로 구현한 imagine-then-execute 변형(810 ms)보다 4배 이상 빠르다. 반면 비디오 co-training을 빼면 RoboTwin 83.8%, 실제 수건 접기 성공률 10%로 무너진다.

---

🔍 Ping Review

🔍 Ping — A light tap on the surface. Get the gist in seconds.

로봇 정책에 world model을 붙이는 최근 흐름 — 논문이 World Action Model(WAM)이라 부르는 계열 — 은 대체로 imagine-then-execute다. 현재 관측과 언어 지시로 미래 영상을 먼저 생성하고, 그 상상된 미래에 조건을 걸어 행동을 뽑는다. 직관적이지만 대가가 크다. 비디오 확산 모델을 추론 시점에 반복 denoising해야 하므로 제어 주기가 느려진다.

Fast-WAM은 여기에 단순한 질문을 던진다. WAM의 이득은 정말 “테스트 때 미래를 그려보는 것”에서 오는가, 아니면 “학습 때 미래를 예측하도록 배운 것”에서 오는가? 기존 WAM은 두 요인을 한 모델 안에 묶어 놓아 구분이 불가능했다. 논문은 둘을 떼어 놓는다 — 학습에는 비디오 예측 목적함수를 그대로 남기고, 추론에서는 미래 생성을 완전히 제거한다. 그리고 같은 백본·같은 토크나이저·같은 학습 레시피 위에 imagine-then-execute 변형들을 직접 구현해 통제 비교를 붙인다.

세 가지 WAM 패러다임(Fig. 1) — (A) 미래 비디오와 행동을 함께 denoising, (B) 미래 비디오를 먼저 만들고 그 표현에 조건 걸어 행동 예측(IDM), (C) Fast-WAM: 학습 때만 비디오 co-training, 추론 때는 첫 프레임 f_0을 Video DiT에 한 번 통과시켜 얻은 KV cache로 곧장 행동을 denoising한다.

핵심 방법론:

표준 visuomotor 정책은 p(a_{1:H}\mid o,l)을 직접 모델링한다(Eq. 1). 기존 WAM 다수는 미래 관측 v_{1:T}를 중간 변수로 끼워 넣는 imagine-then-execute 인수분해를 쓴다(Eq. 2):

p(a_{1:H}\mid o,l)=\int p(v_{1:T}\mid o,l)\; p(a_{1:H}\mid o,l,v_{1:T})\,dv_{1:T}

Fast-WAM은 이 적분을 추론 시점에서 없애 버린다. 비디오 백본이 현재 문맥만으로 만든 잠재 world 표현 z(o,l)에 행동 분포를 조건 건다(Eq. 4):

p_\theta(a_{1:H}\mid o,l)=p_\theta\!\left(a_{1:H}\mid z(o,l)\right)

핵심은 z(o,l)이 미래를 샘플링/denoising해서가 아니라 단 한 번의 forward encoding으로 얻어진다는 점이다. 대신 학습에서는 행동과 미래 비디오 latent 양쪽에 flow matching을 건다. 목표 변수 y에 대해 y_t=(1-t)y+t\epsilon (Eq. 5)로 보간하고

\mathcal{L}_{\mathrm{FM}}(y)=\mathbb{E}_{y,\epsilon,t}\left[\left\|f_\theta(y_t,t,o,l)-(\epsilon-y)\right\|_2^2\right]

를 최소화한다(Eq. 6). y=a_{1:H}면 \mathcal{L}_{\mathrm{act}}, y=z_{1:T}(VAE가 뽑은 미래 프레임 latent)면 \mathcal{L}_{\mathrm{vid}}이고, 전체 목적은 \mathcal{L}=\mathcal{L}_{\mathrm{act}}+\lambda\mathcal{L}_{\mathrm{vid}} (Eq. 9)다.

주요 결과:

• RoboTwin 2.0: Fast-WAM 91.8%(clean 91.88 / rand. 91.78). embodied pretraining을 쓴 LingBot-VA(92.2%)에 근접하고, 사전학습 없는 baseline은 모두 앞선다(Motus from WAN2.2 77.3%, LingBot-VA from WAN2.2 80.6%). — Table 1
• LIBERO: 평균 97.6%(Spatial 98.2 / Object 100.0 / Goal 97.0 / Long 95.2). \pi_{0.5}(96.9%)를 앞서고 LingBot-VA(98.5%)·Motus(97.7%)에 근접. — Table 2
• 통제 비교: Fast-WAM(91.8/97.6) vs Fast-WAM-Joint(90.6/98.5) vs Fast-WAM-IDM(91.3/98.0)는 서로 1%p 안쪽. 반면 비디오 co-training 제거는 83.8%/93.5%로 크게 떨어진다. — Table 1·2
• 실제 로봇(수건 접기, Galaxea R1 Lite, 텔레옵 시연 60시간): co-training을 뺀 변형은 성공률 10%로 붕괴하고 완료 시간도 가장 길다. 지연은 Fast-WAM 190 ms vs Joint 580 ms vs IDM 810 ms(\pi_{0.5}는 180 ms). — Fig. 4
• 단, 이 실제 태스크에서 가장 강한 방법은 사전학습된 \pi_{0.5}(최고 성공률 + 최단 완료 시간)다.

결론:

세 변형의 차이(≤1%p)보다 co-training 유무의 차이(8%p, 실물에서는 성공률 붕괴)가 훨씬 크다. 논문의 결론은 “비디오 예측의 가치는 테스트 때 미래를 그리는 데 있다기보다 학습 때 world-grounded 표현을 만드는 데 있는 것 같다”는 것이다. 그렇다면 imagine-then-execute의 추론 비용은 대체로 낭비이며, 같은 성능을 4배 빠르게 얻을 수 있다.

---

🔔 Ring Review

🔔 Ring — An idea that echoes. Grasp the core and its value.

한 줄로 시작하면

“미래를 상상하는 정책”이 좋았던 건 상상 때문이 아니라 상상하는 법을 배운 것 때문일지 모른다 — 그래서 추론에서 상상을 떼어내도 성능은 거의 그대로고 속도는 4배가 된다.

배경: WAM의 두 요인이 왜 엉켜 있었나

VLA 정책은 웹 스케일 vision-language 사전학습의 의미론적 prior를 물려받지만, 그 사전학습은 대부분 정적 이미지-텍스트라 “행동에 따라 세계가 어떻게 변하는가”를 명시적으로 모델링하지 않는다(§2). 그래서 미래 시각 예측을 정책에 결합하는 계열이 나왔고, 논문은 [4]를 따라 이들을 World Action Model이라 부른다.

문제는 이 계열이 두 가지를 동시에 한다는 것이다.

1. 학습: 비디오 예측 목적함수가 물리적 동역학·상호작용 구조를 담은 표현을 만들도록 압박한다.
2. 추론: 명시적으로 생성한 미래가 행동 예측에 추가 foresight를 준다.

같은 모델이 둘 다 하니 어느 쪽이 이득의 원천인지 알 수 없다(§1). 그리고 2번은 공짜가 아니다 — 반복 비디오 denoising이 제어 지연에 그대로 얹힌다.

이 논문 이전에도 부분적 시도는 있었다. VPP[34]는 비디오 확산 모델에서 뽑은 예측적 시각 표현에 정책을 조건 걸고, UVA[35]는 비디오와 행동을 함께 모델링하되 테스트 때 비디오 디코딩을 건너뛴다(§2). Fast-WAM이 다른 점은 “빠르게 만들었다”가 아니라 공유 프레임워크 안에서 두 요인을 통제 비교했다는 데 있다.

방법 상세: 마스크가 실험 설계다

아키텍처

백본은 Wan2.2-5B[36]의 비디오 DiT이고, 그 T5 텍스트 인코더와 비디오 VAE도 그대로 재사용한다. 언어는 cross-attention으로 모든 토큰에 주입된다. 그 위에 action expert DiT를 얹는데, 비디오 브랜치와 같은 구조지만 hidden dim을 d_a=1024로 줄여 1B이고, 전체 모델은 6B다(§4.1). 두 브랜치는 shared attention으로 묶인 Mixture-of-Transformer(MoT)를 이룬다.

토큰은 세 그룹이다.

• 첫 관측 프레임의 clean latent token — 공유 시각 앵커
• 미래 프레임의 noisy latent token — 학습에만 존재
• action token — action expert가 처리

Fast-WAM 아키텍처와 attention mask(Fig. 2) — (a) Video DiT / Action DiT가 shared attention으로 묶인 MoT, 언어는 cross-attn. (b) 학습 마스크에서 a 행은 f_1,\dots,f_h 열이 비어 있고(행동이 미래를 못 본다), f_0 행도 미래 프레임 열만 비어 있다(f_0 자신은 본다). 추론 마스크에는 미래 프레임 열 자체가 없다.

마스크의 세 가지 규칙

구조화된 attention mask가 정보 흐름을 통제한다(§3.2).

1. 미래 noisy 비디오 토큰은 비디오 브랜치 안에서 양방향으로 attend하고 clean 첫 프레임 토큰에 접근할 수 있다.
2. action 토큰은 행동 브랜치 안에서 양방향으로 attend하고 clean 첫 프레임 토큰에 접근할 수 있다.
3. action 토큰은 미래 비디오 토큰에 attend할 수 없고, clean 첫 프레임 토큰은 미래 프레임을 보지 않는다(자기 자신, 즉 첫 프레임 블록 안에서는 양방향으로 attend한다 — 논문 문장 “the clean first-frame tokens do not attend to any other tokens”는 “다른 프레임의 토큰”으로 읽어야 한다. 공개 구현의 first_frame_causal 마스크는 첫 프레임 행에서 미래 프레임 열만 지우고, Fig. 2(b)의 f_0 행에서도 f_0 칸은 채워져 있다).

3번이 이 논문의 실험 설계 그 자체다. 학습 중에도 미래 정보가 행동 브랜치로 새지 않으므로, 비디오 목적함수는 오직 공유 백본의 표현을 통해서만 행동에 영향을 준다. 그래서 “학습 신호로서의 비디오”와 “입력으로서의 미래”가 깨끗하게 분리된다. 추론에서는 미래 비디오 브랜치를 아예 인스턴스화하지 않고, 첫 프레임 latent만 백본에 한 번 통과시켜 나온 KV를 action expert가 소비한다(Fig. 1(C)).

통제 변형 4종

같은 프레임워크 위에서 (§3.3):

변형	추론 구조	대응 선행 연구
Fast-WAM	첫 프레임 1회 forward → 행동 denoising	(제안)
Fast-WAM-Joint	미래 비디오와 행동을 함께 denoising (video↔︎action attention 허용)	[4, 6, 5]
Fast-WAM-IDM	미래 비디오를 먼저 생성 → 그 표현에 조건 걸어 행동	[3, 7, 8]
w.o. video co-train	Fast-WAM과 동일, 학습에서 \mathcal{L}_{\mathrm{vid}}만 제거	(대조군)

앞의 셋은 “테스트 때 상상하는가”만 다르고, 마지막 하나는 “학습 때 비디오를 배웠는가”만 다르다. 2×2를 다 채우지는 않았지만(상상하면서 co-train 안 하는 조합은 불가능하다) 두 축을 각각 건드리는 최소 설계다. 단, 논문은 단일 action chunk 생성에 국한하고 일부 선행 WAM이 쓰는 바깥쪽 auto-regressive rollout은 통제 비교를 위해 생략한다(§3.1, §1).

학습·추론 설정

action horizon h=32, 비디오는 시간축 4× 다운샘플로 chunk당 9프레임, 멀티 카메라 이미지는 하나로 이어 붙여 VAE에 넣는다. 노이즈 스케줄은 [36]을 따라 logit-normal, 추론은 10 denoising step에 CFG scale 1.0(즉 사실상 guidance를 끈 값). AdamW, lr 1\times10^{-4}, weight decay 0.01, cosine annealing, mixed precision, grad clip 1.0. 지연 측정은 단일 NVIDIA RTX 5090D V2 32GB. Fast-WAM-IDM은 [3]을 따라 GT 비디오 토큰에 확률 p=0.5로 noise augmentation을 준다(§4.1).

직관: 비디오는 입력이 아니라 정칙화다

Fast-WAM의 결과를 한 문장으로 옮기면 “비디오 예측은 auxiliary task로서 값어치가 있다”는 것이다. 미래를 맞히려면 백본은 물체가 어디로 움직이는지, 접촉이 어디서 일어나는지를 latent에 담아야 한다. 그 latent가 이미 만들어져 있다면, 추론 시점에 그걸 픽셀로 디코딩해 다시 읽는 우회로는 정보를 더해 주지 않는다. 미래 픽셀은 latent가 이미 아는 것의 손실 있는 렌더링에 가깝기 때문이다.

여기에 마스크 설계가 힘을 보탠다. 학습 중에도 행동은 미래 토큰을 본 적이 없다. 그러니 Fast-WAM은 추론에서 뭔가를 빼앗긴 게 아니라, 애초에 없던 것을 계속 안 쓰는 것뿐이다. 반대로 Joint/IDM 변형은 학습·추론 모두에서 미래를 쓰는데도 결과가 거의 같다는 것이 이 논문의 핵심 관찰이다.

실험: 벤치마크 3종

실제 수건 접기 태스크(Fig. 3) — Galaxea R1 Lite 양팔 플랫폼의 롤아웃. 변형 물체를 접으려면 장기 계획과 정밀한 closed-loop 조작이 함께 필요하다.

• LIBERO[37]: 4개 suite(Spatial/Object/Goal/Long), 각 500 시연·10 태스크. 20k step 학습, 40 태스크에 걸쳐 총 2000 trial 평가.
• RoboTwin 2.0[38]: 50개 넘는 양팔 태스크. clean 2,500 + 강한 랜덤화 25,000 시연 혼합으로 멀티태스크 학습(30k step), 태스크당 100 trial을 clean/randomized 양쪽에서 평가. 태스크별 상세는 부록 Table 3.
• 실제 로봇: Galaxea R1 Lite에서 수건 접기. 텔레옵 시연 60시간, 30k step. 성공률과 평균 완료 시간을 함께 본다 — 시행착오로 우겨서 끝내는 정책과 효율적으로 끝내는 정책을 구분하기 위해서다(§4.2).

시뮬레이션

RoboTwin에서 Fast-WAM 91.8%는 사전학습 있는 Motus(87.8%)를 넘고 사전학습된 LingBot-VA(92.2%)에 0.4%p 차로 붙는다. 같은 Wan2.2에서 출발해 embodied pretraining을 뺀 baseline들(77.3%, 80.6%)과의 격차가 10%p 이상이라는 점이 눈에 띈다. LIBERO에서도 97.6%로 \pi_{0.5}(96.9%)를 앞선다. 즉 embodied pretraining 없이 그 이득의 상당 부분을 회수한다는 주장이다(§4.3.1).

통제 비교(§4.3.2)의 패턴은 두 벤치마크에서 일관된다. RoboTwin에서 91.8 / 90.6 / 91.3(세 변형) vs 83.8(co-train 제거), LIBERO에서 97.6 / 98.5 / 98.0 vs 93.5. LIBERO의 하락은 특히 Spatial(98.2→89.2)과 Long(95.2→90.0)에서 두드러진다 — 공간 관계와 장기 태스크가 world 표현에 더 의존한다는 해석과 맞아떨어진다.

실물과 지연

실제 수건 접기 결과(Fig. 4) — 왼쪽은 완료 시간 대 성공률(좌상단이 좋음), 오른쪽은 추론 지연. \pi_{0.5}(사전학습) 180 ms, Fast-WAM 190 ms, co-train 제거 190 ms, Joint 580 ms, IDM 810 ms.

실물에서는 사전학습된 \pi_{0.5}가 최고 성공률과 최단 완료 시간을 모두 가져간다. Fast-WAM 계열 안에서는 IDM이 성공률이 가장 높고 Fast-WAM이 완료 시간이 더 좋다. 중요한 건 co-training이 있는 세 변형 모두가 사전학습 없는 \pi_{0.5}를 크게 앞선다는 점이고, co-training을 뺀 변형은 성공률 10%로 붕괴한다는 점이다(§4.3.3). 시뮬레이션에서 8%p였던 격차가 실물 장기 태스크에서는 질적 붕괴로 나타난다.

지연은 190 ms vs 580/810 ms. 논문이 말하는 “4× faster”는 자기 프레임워크로 구현한 IDM 변형(810 ms) 대비다.

덧붙이면, 이 배수는 컴파일 설정에 의존한다. 공개 구현에서 Fast-WAM 경로만 torch.compile(..., mode="reduce-overhead")(CUDA Graph)로 컴파일되고 IDM 경로의 같은 두 함수에는 mode 인자가 없다. 실제로 RTX 5090에서 공개 체크포인트로 재어 보면 shipped default(컴파일)에서는 73.1 ms vs 365.0 ms로 5.0배지만, eager로 돌리면 1.9배에 그친다. 배수의 방향은 논문 주장과 같지만 그 크기의 일부는 아키텍처가 아니라 최적화 노력의 비대칭에서 온다.

비판적으로 보면

강점

• 질문 설계가 좋다. “더 좋은 WAM”이 아니라 “WAM의 이득이 어디서 오는가”를 묻고, 그걸 attention mask 하나로 실험 가능한 형태로 만들었다. 마스크 규칙 3번(행동↔︎미래 차단)이 없었다면 통제 비교는 성립하지 않는다.
• 비교가 공정한 방향으로 설계됐다. 백본·토크나이저·학습 레시피를 맞춘 자체 구현 변형을 쓴다. 서로 다른 논문의 숫자를 나란히 놓고 “우리가 빠르다”고 하는 흔한 함정을 피했다.
• 음의 결과에 정직하다. 실물에서 \pi_{0.5}가 자기보다 낫다는 것, LIBERO에서 Joint/IDM이 자기보다 약간 높다는 것을 그대로 적는다.
• 재현 가능성이 높다. MIT 라이선스, LIBERO/RoboTwin 데이터셋과 체크포인트가 HuggingFace에 공개돼 있다.

약점·한계

• “미래 상상은 필요 없다”는 결론이 데이터보다 한 걸음 앞서 있다. 사실 네 비교 중 셋에서 imagine-then-execute가 미세하게 더 높다(LIBERO 98.5·98.0 vs 97.6, 실물 성공률 IDM 최고). 격차가 작을 뿐 방향은 일관되게 상상 쪽이다. 논문 표현은 “competitive”로 신중하지만, 제목이 던지는 수사(“Need?”)는 그보다 강한 인상을 준다. trial 수(LIBERO 2000, RoboTwin 태스크당 100)에 대한 신뢰구간이나 seed별 분산이 전혀 없어 1%p 차이가 노이즈인지 실제 열세인지 판별할 수 없다.
• 실물 결과가 그림 하나뿐이다. §4.3.3의 성공률·완료 시간은 표가 아니라 Fig. 4의 산점도로만 제시된다. 정확한 수치를 읽을 수 없고, trial 수도 본문에 없다. 실물 태스크도 수건 접기 단 하나다.
• \lambda는 튜닝된 적이 없다. Eq. 9의 co-training 가중치 \lambda가 논문의 핵심 손잡이인데 본문에 값도 민감도 분석도 없다. 공개 코드를 열어 보면 답이 나오는데, 답이 곧 문제다 — 배포된 model config 4종 모두 \lambda=1이다(한 곳에만 lambda_video: 1.0이 명시돼 있고 나머지는 클래스 기본값 1.0으로 떨어진다). 즉 “논문이 숨긴 하이퍼파라미터”가 아니라 1로 두고 탐색하지 않은 상수다. 그렇다면 “비디오 co-training이 중요하다”는 주장은 \lambda>0 vs \lambda=0이라는 이분법으로만 검증된 셈이고, 적절한 \lambda에서 격차가 더 벌어지는지 줄어드는지는 아무도 모른다.
• 정작 결론을 떠받치는 arm이 공개 설정에 없다. 레포의 configs/task/에 있는 LIBERO 설정은 uncond(=Fast-WAM)·joint·idm·optional_idm 4종이고, 효과 크기가 가장 큰 실험인 w.o. video co-train(\lambda=0)에 해당하는 config가 없다. 논문의 핵심 결론(“상상 제거보다 co-training 제거가 훨씬 치명적”)을 뒷받침하는 바로 그 대조군이 공개 코드로는 한 번에 재현되지 않는다 — 직접 config를 만들어 돌려야 한다. 나머지 세 변형이 그대로 공개된 것과 대비된다.
• 비디오 예측 품질을 아무도 안 본다. 백본이 실제로 얼마나 좋은 미래를 예측하게 됐는지(FVD 등), 그 품질과 행동 성능의 상관은 보고되지 않는다. “표현이 좋아졌다”는 주장의 직접 증거가 없고 하류 성능의 간접 증거만 있다.
• auto-regressive rollout을 뺐다. 여러 실제 WAM은 chunk를 이어 붙이며 상상-실행을 반복하는데, 논문은 단일 chunk로 한정한다(§3.1). 장기 태스크에서 미래 상상의 값어치는 바로 그 바깥 루프에서 나올 수 있으므로, 결론의 적용 범위는 저자가 명시한 대로 좁게 읽어야 한다.
• “4× faster”의 기준이 자기 변형이다. 실제 배포된 Motus·LingBot-VA 등의 지연과 직접 비교한 표는 없다. 또 190 ms는 RTX 5090D V2 한 장에서 10 denoising step·CFG 1.0 기준이며, CFG를 켜면 배가 된다.
• 비용의 다른 절반이 안 보인다. 추론은 4배 빨라졌지만 학습에서는 여전히 6B 모델로 미래 비디오까지 denoising한다. 코드 README 기준 RoboTwin 학습에 64 GPU를 썼다고 밝히는데, 논문 본문에는 학습 자원·시간이 없다.

관련 연구와의 자리 매김

• World model 계열: DreamDojo가 대규모 인간 영상으로 일반 로봇 world model을 학습해 정책 평가·롤아웃까지 밀어붙이는 쪽이라면, Fast-WAM은 정반대로 world model을 추론에서 지워도 되는가를 묻는다. 두 논문은 같은 재료(비디오 확산 백본)를 정반대 방향으로 쓴다.
• VLA·프레임워크: StarVLA가 VLA 구성요소를 레고처럼 갈아 끼워 비교하는 코드베이스라면, Fast-WAM은 그 정신을 WAM 설계 축 하나(테스트 때 상상 유무)에 적용한 단일 논문판 ablation이다. 두 연구 모두 “공유 프레임워크 위에서만 비교가 의미 있다”는 전제를 공유한다.
• Flow matching 정책: 행동 생성은 \pi_0 계열과 같은 flow matching이다(Eq. 5~7). 이 목적함수를 RL로 파인튜닝하는 쪽 이야기는 ReinFlow 리뷰에 정리해 두었다 — Fast-WAM은 순수 모방학습이라 그 축과는 직교한다.
• 변형 물체 조작: 실물 태스크가 수건 접기라는 점에서 Learning to Fold와 겹치는데, 그쪽이 sim2real·human-in-the-loop로 접는 문제를 푼다면 Fast-WAM은 60시간 텔레옵 시연의 순수 모방으로 접는다.
• 선행 WAM: 논문이 재구현한 두 패러다임은 각각 joint denoising 계열[4, 6, 5]과 video-then-action 계열[3, 7, 8]이며, 부분적으로 상상 비용을 줄이려 한 VPP[34]·UVA[35]와도 인접하다.

요약

Fast-WAM의 기여는 모델이 아니라 분리다. attention mask 하나로 “학습 때의 비디오 예측”과 “추론 때의 미래 생성”을 떼어 놓고, 같은 프레임워크에서 네 변형을 돌려 전자가 훨씬 크다는 것을 보였다. RoboTwin 91.8%·LIBERO 97.6%를 embodied pretraining 없이 190 ms에 내는 것은 그 자체로 좋은 배포 지점이다.

다만 결론의 강도는 조심해서 읽어야 한다. 상상을 붙인 변형이 대부분의 지표에서 근소하게 더 낫고, 분산 보고가 없으며, 단일 chunk·단일 실물 태스크라는 좁은 조건에서 얻은 결과다. 저자 자신이 마지막 문장에서 “더 큰 사전학습 데이터와 모델 스케일에서 이 설계가 어떻게 되는지가 향후 과제”라고 적은 것도 같은 맥락일 것이다. 지금 시점의 정확한 교훈은 “미래 상상은 필요 없다”가 아니라 “비디오 예측은 추론 예산이 아니라 학습 예산에 쓰는 편이 훨씬 남는다” 쪽이다.