VITAL动作分词器技术报告发布

2026年10月15日，Ao Liang等作者在arXiv Computer Vision发布技术报告，提出VITAL（Vision-Induced Tokens for Action Learning）动作分词器。该分词器将视觉导出的运动骨架与编码轨迹误差的紧凑残差耦合，使视觉运动成为主要预测目标。报告称，在仅使用一个动作去噪步骤时，VITAL在NAVSIM v1 navtest上达到90.8 PDMS，与其十步得分相差0.13分以内，端到端推理速度为后者的3.29倍；在无需重新训练的情况下，它在NAVSIM v2 navtest上达到91.1 EPDMS，在navhard上达到38.6。目前该事件仅有这一篇主报道，尚无后续跟进报道。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。