Target: 自回归扩散视频-动作世界模型（先预测未来视频、再逆动力学解码动作）， category=algorithm。本篇处在一个异质 algorithm 簇中：真正的近邻只有 DreamerV3 一篇 world model，其余 7 篇分别是量化 / 注意力可解释性 / 长上下文评测 / 多模态 / GPU 通信 / LLM 训练。L3 的价值在于诚实地区分"真正可比"与"仅共享技术线"的关系， 并沿共享机制（flow matching、RoPE/注意力、部分去噪效率、流式推理）做跨篇 delta。
按"与本篇的可比强度"分三档：
想象空间 actor-critic 的 model-based RL 代表 [2301.04104]。与 LingBot-VA
形成最锋利的对照："在什么空间建模世界" + "如何从世界模型导出动作"两个正交轴上都对立
（潜向量 vs 像素级视频；想象轨迹上 RL vs 逆动力学 IDM 解码）。这是本篇 delta 分析的主战场。
[2503.20215]，与本篇视频/动作流的 flow matching 同源；其
sliding-window block attention 流式生成与本篇异步预测-执行流水线都在解同一个
"边生成边输出、隐藏首包/预测延迟"的问题 [2503.20215]。
SA3 把 attention 降到 FP4 却保持 CosSim>99% [2505.11594]；本篇把视频只去噪到
$s\approx0.5$ 却保持动作质量。两者都基于"下游任务不需要全精度中间表征"的洞察。
[2410.02367]；对本篇的意义是**若要给 5.3B 视频扩散骨干的注意力提速，
这是现成的 kernel 级工具**（互补而非竞争）。
本篇视频/动作流建立在带 RoPE 的 Transformer 骨干上，此发现对"KV-cache 长程记忆为何有效/
在何处脆弱"提供诊断视角。
[2502.05167]。本篇把长时程记忆押在 KV-cache 上，NoLiMa 是其"记忆宣称"的
天然反方证人（见 §3 可攻击面）。
[2507.20534]。与本篇"动作网络从零训不稳、需 $\alpha=d_v/d_a$ 缩放初始化"
是同类训练稳定性问题的不同切面。
与本篇算法层无交集，仅在"重叠计算与另一活动以隐藏延迟"这一调度思想上与异步流水线遥相呼应。
| 轴 | DreamerV3 [2301.04104] | LingBot-VA (本篇) |
|---|---|---|
| 世界模型的状态空间 | 紧凑潜向量 $z_t$（RSSM 离散随机 + 确定 $h_t$） | 像素级视频潜 $z_t=E(o_t)\in\mathbb{R}^{N\times4}$，$N{=}192$ |
| 动作如何导出 | actor 在想象潜轨迹上 RL 学习 | 逆动力学 $g_\psi$ 从预测的下一视觉状态解码动作 |
| 训练范式 | model-based RL（奖励/回报驱动） | 模仿学习 / next-token（teacher forcing，无奖励） |
| 跨域泛化的机制 | 数量级不变变换（symlog/twohot/free-bits/百分位归一）使固定超参跨域 | 大规模视频预训练先验 + 50 演示后训练适配新平台 |
| 主要卖点 | 一套固定超参跨 8 类基准 + Minecraft 零样本采钻石 | 长时程/精密操控 SOTA + 样本效率 + 泛化 |
新增（本篇 delta）：把世界模型从"抽象潜向量"提升到"高保真视频"，从而能利用互联网规模
video diffusion 骨干（Wan2.2-5B）的物理先验——这是 DreamerV3 的紧凑潜空间结构性无法做到的
（潜空间难以吸收 web-scale 视频）。代价是推理昂贵，故引入部分去噪 + 异步 + FDM。
增量/相同：两篇都无形式化保证，只有实证曲线
[2301.04104][2601.21998]；都强调"世界模型比反应式策略更省数据"。
矛盾/张力：DreamerV3 的消融显示性能主要来自世界模型的无监督重构信号而非奖励梯度
[2301.04104]——这恰好为本篇"video 预训练即隐式正则、故样本效率高"
[2601.21998]提供了跨范式旁证。两者在不同建模空间上得到一致结论：
视觉动力学建模本身承载了大部分有用信号。
[2503.20215]，但它不面临闭环反馈问题（语音生成是开环的）；本篇的异步流水线
必须解决"视频生成器续写幻觉、忽略真实反馈"的开环退化，故额外发明 FDM-grounded 缓存
[2601.21998]。delta 是"闭环 vs 开环流式"的本质差异。
都未完全公开实现细节 [2503.20215][2601.21998]。
[2505.11594]；本篇的含噪历史增强（Eq.10）训练动作解码器读半去噪潜表征
[2505.11594]；本篇对"$s{=}0.5$ 部分去噪不损动作质量"无任何误差界，纯经验，
且论文内 $s{=}0.5$（Algorithm 1）与 $s{=}0.6$（Impl）自相矛盾 [2601.21998]。
本篇减少去噪步数）。
针对本篇具体 claim 的对抗性反驳：
本篇声称动作可从半去噪潜表征解码 [2601.21998]，但 Algorithm 1 写 $s{=}0.5$、
Impl 写 3 步 Euler 到 $s{=}0.6$——同一效率旋钮两处不一致 [2601.21998]。
对照 SA3 对其低比特路径给出了显式误差 bound [2505.11594]，本篇连一个
"去噪停点 vs 动作误差"的曲线都缺，headline 效率宣称的证据链偏弱。
本篇把长时程优势归因于 KV-cache + teacher forcing 保留全历史 [2601.21998]。
但 NoLiMa 证明：即使信息在 KV-cache 中，**当缺乏表面匹配线索、上下文变长时，注意力会稀释、
检索失败** [2502.05167]。本篇的记忆任务（Wipe Plate 数 6 次、Search Box）
都是强表面线索、短时程的玩具任务，未在真正超长交织序列（10K+ token）上做 needle 式压力测试。
"持久记忆"很可能在更长时程被 NoLiMa 揭示的稀释效应击穿。
Naive Async 在 Horizon=3 崩到 32.9%，FDM-grounded 才 85.6%——单一设计带来 >50 点差
[2601.21998]。这说明整个闭环稳定性悬于一个 trick；论文未给出
FDM 失效边界（更长 horizon？更快扰动？），复现风险极高。
"action distributions are inherently simpler" [2601.21998] 是事后合理化，
无独立证据。若动作真那么简单，为何从零训动作流会不稳、必须用 $\alpha{=}d_v/d_a$ 缩放初始化
[2601.21998]？这与 Kimi K2 的经验——**大规模下的稳定性问题往往源于
谱性质而非"任务简单性"** [2507.20534]——暗示真实原因可能是
优化动力学而非"动作本质简单"。
Massive Values 表明 RoPE 模型的上下文理解由低频维度的集中大值专职承载，破坏它们会使上下文
任务灾难性崩溃 [2502.01563]。本篇视频/动作流建立在 RoPE Transformer 上却
从未分析其长程记忆是否同样脆弱地依赖少数维度——若是，则量化/剪枝部署时可能悄然摧毁其
招牌的长时程能力。
L1 抓取正文未给仓库路径 [2601.21998]；且真实世界（500 步 @1e-4，
seq 150K）与通用后训练（3K 步 @1e-5）配方在相邻章节相互矛盾。对照 Qwen2.5-Omni / SageAttention
有明确开源锚点，本篇当前处于"承诺开源、证据待补"状态。
DreamerV3 开创的"在世界模型中学策略" [2301.04104] 从潜空间推到**像素级视频 +
互联网视频先验**，并用自回归 + KV-cache 取代 chunk 双向扩散。它站在"video generation is the
new foundation for robot learning"这一 paradigm shift 的浪尖。
[2601.21998]，主打长时程 + 样本效率两个反应式范式的痛点。
尚无独立复现或社区采用。对比 SageAttention 已进入 ComfyUI/Diffusers 生态
[2410.02367]、DreamerV3 有官方可复现开源
[2301.04104]、Kimi K2 权重已开源被社区 fine-tune
[2507.20534]，本篇的生态成熟度明显落后，SOTA 宣称仍待外部验证。
[2505.11594] 的下游受益者——生态位上是"被优化对象"而非"优化者"。
从本簇的交叉点生发的 hybrid / adaptive 方向：
[2505.11594]。可学一个 per-step 的动作不确定性驱动的去噪停点——
简单场景早停、精密插管场景多去噪，把 §3 攻击点 1 的固定旋钮变成自适应策略。
[2301.04104]，本篇像素视频有先验但昂贵。可做双层世界模型：DreamerV3 式潜空间
做高频闭环 + 本篇视频流做低频长时程规划，各取所长。
方法论 [2502.05167] 移植到操控——设计需要跨长交织序列的潜在联想记忆的任务
（如"用之前见过但久未出现的物体"），系统刻画 KV-cache 记忆的真实 effective horizon。
L2-norm 特征图定位视频/动作流中承载长程记忆的关键维度 [2502.01563]，再用
SA3/SageAttention 的保护性量化避开这些维度 [2410.02367]，实现"部署提速但
不摧毁长时程能力"。
[2601.21998]，Kimi K2 把类似的稳定性问题追溯到 msign 的谱性质
[2507.20534]。可对"窄动作流从宽视频流继承权重"做谱分析，给出
principled 初始化甚至一个 QK-Clip 式的 post-update 约束，替代当前经验缩放。
[2503.20215]、以及 ConCCL 的计算-通信重叠调度 [2412.14335]
抽象为统一的"生成-执行重叠 + 反馈接地"调度模型，量化"何时用陈旧 forecast、何时必须重锚真实反馈"
的通用判据。