东京大学提出 Just Action Model:VLA 与世界模型之争可解耦
Yonghao Yu · hf · 2026-10-28
东京大学与 NII 论文 Vision-Language-Action or World-Action? Just Action Models 指出,VLA 与世界行动模型(WAM)之争把三个本可分开的选择捆绑在了一起。
- 三个被混淆的变量:骨干初始化(视觉语言模型 vs 视觉生成模型)、应用于未来观测的目标函数、未来观测推断机器是否保留到推理阶段
- 提出统一框架 Just Action Model(JAM):预训练视觉骨干 + 以动作损失训练的 action expert,辅以前瞻损失(foresight loss)训练当前观测特征预测未来观测的冻结编码,推理时无需生成
- 结论:VLA 与 WAM 的差距不能简单归因于任一单一选择
机器人研究方向有实质的框架性贡献。
「具身」频道最新
- Re:Build CEO:机器人只省小头成本,精益生产更划算 — jaimalik · 2026-10-28
- 百度 Apollo Go 在香港办首次大规模公众试乘，90 分钟接待 40 余人 — Baidu_Inc · 2026-10-28
- DeepMind 机器人模型短板：物体恒存性会漂移，2 厘米位移即认不出 — AIFlow_ML · 2026-10-28
- Genie 4 播放的跳棋机器人片段实为渲染,并非真实 Apollo 学习 — AIFlow_ML · 2026-10-28
- Genie 4 能想象机器人的一天，但机器人还无法在里面训练 — AIFlow_ML · 2026-10-28
- 芝加哥大学 CS 携四篇全论文亮相 UIST 2026：磁性颗粒、触觉戒指与电触觉 — plopesresearch · 2026-10-28