Uni-LaDiR:用扩散生成潜空间思维,统一 VLM 与 VLA 的多模态推理

Lianhuiq · x · 2026-10-07

研究者提出 Uni-LaDiR(Unified Latent Diffusion Reasoner),一个统一文本、图像、3D 点云与机器人状态等多模态的潜空间推理框架,同时适用于 VLM 与 VLA。核心主张是:推理不必分别发生在像素或词语里,而应在一个更抽象、与模态无关的潜空间中进行,用扩散模型生成「潜思维」(latent thoughts)。

动机示例:工厂小车的导航需要位置、操作需要几何、巡检需要图像变化——同一物体,不同视角,各自携带互补信息。Uni-LaDiR 学习一个共同的潜空间推理接口,让各任务能按需取用世界上下文,从而让物理 AI 跨任务更高效地组合与复用上下文。