ModAR 挑战 RGB 表征：3000 万参数胜 60 亿视频模型

Adamjhung 团队提出 ModAR，质疑机器人世界-动作模型用 RGB 像素想象未来的做法，指出像素把容量浪费在对机器人策略无关的细粒度细节上。ModAR 是首个在预测动作前自回归去噪多种未来模态（点轨迹、DINO 特征、深度图）的世界-动作模型，让每次预测以已生成模态为条件。该模型仅 3000 万参数、从零训练，效果胜过 60 亿参数视频模型微调，且节省约 20 倍算力。

2026-09-16 ~ 2026-09-17 · 3 条相关

• ModAR 首个多模态自回归世界-动作模型：省 20 倍算力胜过基线 — Adam Hung · 2026-09-16
• ModAR 挑战 RGB 表征:3000 万参数从零训练,胜过 60 亿参数视频模型微调 — CSProfKGD · 2026-09-17
• ModAR:世界动作模型逐模态预测未来,30M参数胜过6B视频模型微调 — k7agar · 2026-09-17