VLA世界模型整合范式系统性研究

2026年10月15日，arXiv Robotics 刊出 Qisen Ma 等作者的研究《视觉-语言-动作模型的世界建模：什么才是关键？》。该研究将 VLA 世界模型的集成方式归纳为四种代表性范式：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，并在统一框架下跨域内、域外、长时程、动态、少样本及真实场景进行评测。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，尤其在域外（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。上述为该研究自身的归纳与评测结论。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。