CausalWAMは、世界行動モデル（WAM）にスパースルーティングを追加し、行動の生成に用いられる潜在変数を限られた数に限定します。こうして、観測から学習した潜在変数群の中で、実際に行動を引き起こす因果的な「行動関連潜在変数」のブロックを明示的に識別できるようになりました。

既存のWAMは、行動と場面全体を同時に予測するため、行動に直接関係する変数と不要な変数が混在することがあります。CausalWAMはスパースペナルティを導入し、行動ヘッドが扱う潜在インデックスをタスクに応じて数個に限定します。この設計により、世界予測精度は維持されつつ、行動の機構が直感的に解釈可能な限られた潜在変数に依存することが保証されます。

実験では、RoboCasa365、LIBERO、実機スタッキングなどの現実的ロボットタスクで、CausalWAMは同じデータと学習手順を用いたCosmos 3ベースラインよりも平均成功率を高めました。特に、RoboCasa365の4つのタスクでは平均成功率が71.3 %で、CausalWAMは同様の統計的条件下でタスクを実行する他モデルよりも優れた成績を示しました。

さらに、CausalWAMが特定したルーティングトークンだけを使用した場合でも、成功率は60.3 %まで保持される一方、ランダムに選択したトークンを使うと24.5 %に急落します。これにより、選択されたサブセットが行動成功に実質的に寄与していることが示されました。

ただし、CausalWAMは個々の潜在変数ではなく、行動関連のブロックを一意に特定するため、各潜在変数に対する個別の操作や介入は現段階ではサポートされません。