中科院自动化所提出 PINT:共享预测意图 token 统一机器人操作三任务

Xinyu Guo · hf · 2026-10-16

中科院自动化所联合复旦、清华等提出 PINT，一个统一视觉-语言推理、视频世界模型与动作生成的机器人操作模型。以往 VLA 缺乏对未来动力学的建模，世界模型（WAM）与动作生成又彼此割裂。

核心是可学习的预测意图 token：通过两阶段训练，第一阶段冻结 VLM 与动作专家、训练意图 token 学习预测未来状态，使「多个专家、一个意图」共享同一预测目标。无需具身预训练，PINT 在 LIBERO-Plus 上 OOD 成绩达 79.5（对比 Fast-WAM 51.5、StarVLA 75.0），LIBERO 上达 98.0，RoboTwin 2.0 迁移同样领先。代码开源于 ZGCA-HMI-Lab/PINT。