ImageWAM: Do World Action Models Really Need Video Generation, or Just Image Editing?

기존의 World Action Models(WAMs)는 비디오 생성을 통해 미래를 예측하려 하지만, 과도한 연산 비용과 불필요한 디테일 생성, 장기 예측 시 발생하는 오류 등의 문제를 안고 있습니다. 본 논문은 비디오 생성 대신 이미지 편집 모델을 활용하는 ImageWAM 프레임워크를 제안합니다. 이미지 편집은 동작과 관련된 시각적 변화에만 집중하며, 작업 지시를 국소적인 시각적 변화로 매핑하는 데 유리한 사전 학습된 지식을 제공합니다. 추론 시에는 타겟 프레임을 직접 생성하지 않고, 이미지 편집 디노이징 과정에서 생성된 KV 캐시를 Flow-matching 기반 액션 전문가 모델의 컨텍스트로 활용합니다. 실험 결과, ImageWAM은 기존 VLA 및 경쟁 모델 대비 뛰어난 성능을 보이면서도 연산량(FLOPs)과 지연 시간(Latency)을 획기적으로 줄였습니다.