视觉-语言-动作还是世界-动作？Just Action Model（JAM）解耦 VLA 与 WAM 之争
Vision-Language-Action or World-Action? Just Action Models
阅读原文
本站未展示全文，请前往来源网站阅读。
AI 导读
研究者提出 Just Action Model（JAM），将 VLA 与 WAM 的差异拆解为骨干初始化、未来观测损失目标和推理时是否保留该损失机制三个可分离选择，用预训练视觉骨干加动作专家、以动作损失与 foresight 损失训练，训练后丢弃预测头，训练和推理均不涉及视觉生成。
来源：Hugging Face Daily Papers · arxiv.org