CausalWAM：在世界动作模型中学习动作的因果来源

作者提出 CWAM（Causal WAM），通过在世界动作模型的动作头上增加稀疏路由路径，把真正驱动动作的隐变量与场景预测所依赖的干扰变量分离，世界建模目标保持不变。论文证明在稀疏约束下，用于生成动作的隐变量是动作相关隐变量的可逆函数，真实结构可在隐变量置换意义下被识别，且不要求充分的时间依赖或对未观测状态演化作假设。合成数据与真实机器人实验验证了该理论，并显示闭环成功率效率提升。