Test-Time Scaling for World Action Models via Zero-Shot Geometric Evaluation
作者: Zesen Zhao, Minkyoung Cho, Hui shen, Boyuan Zheng, Kunxiao Gao, Yulong Cao, Z. Morley Mao
分类: cs.RO
发布日期: 2026-07-20
备注: Extened version of CVPR 2026 EAI workshop
💡 一句话要点
提出无训练选择性测试时间缩放框架以优化机器人控制决策
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 机器人控制 世界动作模型 测试时间缩放 选择性计算 深度学习
📋 核心要点
- 现有方法在机器人控制中难以有效判断额外计算的价值，导致决策效率低下。
- 本文提出的 extit{methodgated}框架通过选择性调用固定预算的最佳选择器，优化了测试时间缩放过程。
- 实验结果表明， extit{methodgated}在多个基准设置中显著提高了任务成功率，且额外采样仅在26.2%的决策点触发。
📝 摘要（中文）
测试时间缩放通过增加计算量来改善基础模型推理，但在机器人控制中，需要在执行动作前决定额外计算是否有用。世界动作模型（WAMs）使这一决策变得自然：每次回滚都暴露了动作块和预测的未来观察。本文提出了 extit{methodgated}，一个无训练的选择性测试时间缩放框架。我们首先实例化 extit{method}，一个固定预算的最佳选择器，通过冻结的几何基础模型计算其预测未来的交叉视图深度重投影一致性来对采样回滚进行排名。然后， extit{methodgated}增加了一个轻量级的动作-未来一致性门，仅在初始回滚内部不一致时调用 extit{method}。在RoboCasa、LIBERO Long和RoboTwin~2.0的五个基准设置中，固定预算的 extit{method}在每个设置中都提高了任务成功率，例如，RoboCasa组平均从66.3%提高到68.4%。
🔬 方法详解
问题定义：本文旨在解决机器人控制中如何有效判断额外计算是否有用的问题。现有方法在决策时缺乏有效的选择机制，导致计算资源浪费或决策不准确。
核心思路：论文提出的 extit{methodgated}框架通过引入选择性测试时间缩放，利用固定预算的最佳选择器来评估回滚的有效性，从而优化决策过程。
技术框架：整体架构包括两个主要模块：首先是 extit{method}，用于对采样回滚进行排名；其次是动作-未来一致性门，用于判断何时调用 extit{method}。
关键创新：最重要的技术创新在于引入了轻量级的一致性门，仅在回滚内部不一致时才触发额外计算，这与现有方法的全时计算策略形成鲜明对比。
关键设计：在参数设置上， extit{method}使用固定预算的最佳选择器，损失函数基于交叉视图深度重投影一致性，网络结构依赖于冻结的几何基础模型。通过这些设计，框架能够在保证性能的同时减少计算开销。
🖼️ 关键图片
📊 实验亮点
实验结果显示， extit{method}在所有基准设置中均提高了任务成功率，例如，RoboCasa组平均从66.3%提升至68.4%。启用一致性门后， extit{methodgated}平均恢复了74.8%的成功增益，仅在26.2%的决策点触发额外采样，显示出其高效性。
🎯 应用场景
该研究的潜在应用领域包括自主机器人、智能制造和复杂环境中的决策支持系统。通过优化计算资源的使用，能够提高机器人在动态环境中的反应能力和决策效率，具有重要的实际价值和未来影响。
📄 摘要（原文）
Test-time scaling improves foundation-model inference by spending additional computation, but robot control requires deciding whether extra compute is useful before executing an action. World Action Models (WAMs) make this decision natural: each rollout exposes both an action chunk and predicted future observations. We propose \methodgated, a training-free selective test-time scaling framework for WAMs. We first instantiate \method, a fixed-budget Best-of-$N$ selector that ranks sampled rollouts by cross-view depth reprojection consistency of their predicted futures, computed with a frozen geometry foundation model. \methodgated\ adds a lightweight action--future consistency gate that invokes \method\ only when the initial rollout appears internally inconsistent. Across five benchmark--backbone settings on RoboCasa, LIBERO Long, and RoboTwin~2.0, fixed-budget \method\ improves $N{=}8$ task success in every setting, e.g., raising the RoboCasa group average from $66.3\%$ to $68.4\%$ with Cosmos Policy and from $80.8\%$ to $82.5\%$ with X-WAM. With gating enabled, \methodgated\ recovers on average $74.8\%$ of the always-on success gain while triggering additional sampling on only $26.2\%$ of decision points. Offline diagnostics show that cross-view reprojection is a strong task-label-free selector, and we identify false low-score selections as a failure mode that helps explain why performance can saturate or degrade as $N$ increases.