Long-WAM: 10 секунд видеоконтекста ускорили роботов до 22 мс

Препринт arXiv 2610.10528 описывает Long-WAM — модель world-action с авторегрессивным видеобэкбоном, которая анализирует 10 секунд визуальной истории, но выдаёт решения за 22 мс. На наборе MRMS успешность выросла до 84% против 61% у базовой модели с 2-секундным контекстом.

• Контекст 10 секунд: 300 токенов, роутер оставляет 64 значимых
• Задержка решения снижена с 150 мс до 22 мс
• Успешность на MRMS выросла с 61% до 84%
• Прогноз будущих эмбеддингов на 0,5, 2 и 5 секунд вперёд