几何基础模型直接当动作解码器,GAM 提出机器人操作新范式

rsasaki0109 · x · 2026-09-02

作者提出 Geometric Action Model（GAM），一种语言条件操控策略，核心思路是把预训练的几何基础模型（GFM）改造成感知、时序预测和动作解码的统一底座：在中间层切开模型，浅层作为观测编码器，其余部分用于因果的未来预测与动作解码。

作者指出，现有 VLA 与视频 world-action 模型虽然继承了大规模基础模型的语义或时序先验，但主要在 2D 图像帧或 2D 衍生的潜空间上运行，缺乏接触密集型操控所需的几何信息。GAM 试图让 3D 几何显式进入策略学习闭环。论文与代码见其 GitHub 链接。