ALPS：面向世界模型的视觉状态编码器

2026年10月21日，Hugging Face Daily Papers 报道研究者提出 ALPS，一种面向世界模型的预训练视觉状态编码器。报道称，ALPS 用纯图像和文本从零训练 ViT-B/16，将物理状态信息、原生语言对齐与像素重建统一到同一组 patch token 中。目前该工作处于论文发布阶段，报道未披露训练数据规模、评测结果或与其他方法的对比等进一步细节。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。