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 · x · 2026-09-17
针对世界动作模型(world-action models)通常用 RGB 像素想象未来、而像素会把容量浪费在对机器人策略无关的细节上的问题,研究者提出 ModAR:改用 DINO 特征、点轨迹和深度等捕捉语义、运动与几何的模态,逐次预测一种模态并由前一预测指导下一次。模型从零训练,30.1M 参数的版本甚至优于基于 6B 视频模型初始化再微调的模型。转发者认为可自选预测与使用模态的思路很酷,值得看规模化表现。
所属事件:ModAR 挑战 RGB 表征：3000 万参数胜 60 亿视频模型(3 条相关)→
「具身」频道最新
- ANYbotics 防爆四足机器人 ANYmal X 开始向客户交付，全球首个 — lukas_m_ziegler · 2026-11-02
- 内存涨价三倍，特斯拉把 Optimus 大脑内存砍掉三分之一 — aakashgupta · 2026-11-02
- 周末懒得整理桌面？博主让机器人代劳清理全程实拍 — flngr · 2026-11-02
- Whoop 与 Apple Watch 双持同一条表带，健康监测两不误 — tinyfool · 2026-11-02
- REA 提出「大脑-小脑」异步机器人控制运行时，运行策略不等大脑 — Pengfei Zhou · 2026-11-02
- 机器人格斗正式登陆日本，东京将设常设竞技场 — cixliv · 2026-11-02