ProWAM：用渐进式视觉规划实现世界动作建模

ProWAM 是一种渐进式世界动作模型，通过联合预测动作与有序稀疏视觉子目标，为动作生成提供显式视觉引导。它只需单次视频骨干前向传播缓存子目标特征，避免迭代式全视频生成。在 LIBERO-Plus 上达到 85.8%、随机化 RoboTwin 上 75.7%，零样本真实场景成功率 70.0%，较最强基线提升 15.0 个百分点。