Un gruppo di ricercatori guidato da Kai Ding ha presentato WAM-Cache, un framework che riutilizza le rappresentazioni key-value di un trasformatore di diffusione video tra un blocco di controllo e l’altro. Invece di ricalcolare a ogni passaggio l’intero encoder visivo, il sistema aggiorna solo un insieme sparso di token, selezionati in base all’attenzione dell’esperto di azioni e a una misura di sorpresa visiva, imponendo un limite massimo alla loro età. Nel benchmark Fast-WAM riduce del 32‑42% le operazioni FLOPs dell’encoder video su RoboTwin 2.0, LIBERO e nei test nel mondo reale, con risultati inferiori di 0,7‑1,8 punti percentuali rispetto al modello di riferimento completo nelle simulazioni e di 2,5 punti su un robot reale.
Perché conta
Gli sviluppatori di robotica possono eseguire policy di manipolazione ad alte prestazioni su hardware meno costoso, senza una forte riduzione dei tassi di successo.
