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
AI4Papers 是一个以每日 arXiv 论文发现为入口的 AI 科研工作流平台,帮助研究者用最短时间掌握最新 AI/ML 前沿动态。
核心功能完全免费。高级 AI 功能(对比分析、深度研究、灵感工作台)支持自带兼容 API Key(如 OpenAI、通义千问)无限使用。
免费注册 | 使用教程