WAM-TTT：通过测试时观看人类视频引导世界动作模型

WAM-TTT 提出一种测试时训练框架，利用原始人类视频引导冻结的世界动作模型（WAM），无需机器人演示或任务微调即可实现高效 steering。 该框架通过无标签人类视频更新 WAM 内部的轻量级自适应记忆，并使用自监督视频预测与键值记忆重建目标对齐人机行为。 实验表明，WAM-TTT 在多种操作任务及泛化场景中持续优于基于人类视频的条件基准模型。