華中科技大學與東風研究團隊合作提出 SimWAM，重點是把影片生成的能力轉成自動駕駛規劃訊號，而不是在推理時硬做未來影像生成。它屬於 World-Action Model (WAM)，直接處理端到端自動駕駛中的軌跡預測與規劃問題，目標是減少延遲，同時保留對交通動態的理解。
訓練時，系統會把預訓練影片專家和輕量動作 DiT 一起做 joint flow matching，讓未來畫面學到的動態先驗滲入動作表示。兩邊共享注意力流，但用 isolated attention mask 令未來片段和動作 token 不會互相偷看，推理時就可以直接丟掉影片分支，只留下動作專家。
- 研究團隊來自 Huazhong University of Science & Technology 和 Dongfeng Research & Development Institute。
- 推理階段不需要未來場景生成，也不需要額外動作模組。
- 動作專家可獨立縮放，影片骨幹亦可替換，結構相對靈活。
- 在 NAVSIM 上取得 91.5 PDMS，並可 zero-shot 遷移到 nuScenes。
- 強化學習部分用 FlowGRPO 去優化組合式駕駛獎勵，只更新動作專家的 LoRA adapters。
它最值得留意的地方，不在於把模型堆得更大，而是把訓練用的影片訊號和部署用的規劃器切開，令系統在保留動態理解的同時減少推理負擔。官方沒有完整列出安裝步驟，因此較適合先按論文與程式庫說明理解其訓練和部署流程。