提出了一种在视觉-语言对齐潜在空间中学习的具身化世界模型(GWM),将Model Predictive Control中的目标匹配从图像比对改为与自然语言指令的语义相似性匹配,从而构建语义泛化能力强的Vision-Language Action(VLA)系统;在WISER基准上,GWM-MPC在288个含未见视觉…
机构:EPFL
来源:arXiv 2604.11751 | AI4Papers 论文推荐平台