ResWAM:冻结 DINOv3 特征上学视觉残差,VLA 策略成功率升且算力更省

OPTML-Group · hf · 2026-11-18

ResWAM 面向世界-动作模型(World-Action Model),核心是在冻结的 DINOv3 特征上做视觉残差学习——只学「变化的部分」而非「不变的部分」,再搭配经条件流匹配训练的轻量双分支 DiT,提高视觉-语言-动作(VLA)策略成功率的同时降低训练与推理算力。

原文链接 →

「具身」频道最新

更多「具身」频道 AI 资讯 →