arXiv Robotics· Qisen Ma, Yixiang Chen, Yuan Xu, Peiyan Li, Jiabing Yang, Kai Wang, Jianhua Yang, Jianlou Si, Jun Huang, Jing Liu, Nianfeng Liu, Yan Huang, Liang Wang·· 4 小时前AI 评分32
视觉-语言-动作模型的世界建模：什么才是关键？
What Matters for World Modeling in Vision-Language-Action Models?
AI 导读
研究将 VLA 世界模型集成方式归纳为隐式未来对齐、显式未来查询、MoT 未来专家和外部世界预测器四种范式，并在统一框架下跨域内、域外、长时程、动态、少样本及真实场景评测。结果显示，2D 语义表示能跨范式稳定增益，解耦的 MoT Future Expert 整体表现有竞争力，尤其在 OOD 鲁棒性上；世界建模对基于标准 VLM 的策略持续有效，在长时程和动态任务上提升明显。
来源：arXiv Robotics · arxiv.org