V-JEPA Policy 在冻结视觉潜空间上构建世界-动作模型

V-JEPA Policy 论文作者团队提出在冻结的 V-JEPA 2.1 编码器潜空间上构建世界-动作模型（WAM）：指令条件化的未来潜变量预测器与流匹配动作专家在单一下游阶段从零联合训练，预测器的未来上下文 key-value 状态用于条件化动作生成。模型总参数 0.9B，其中 0.6B 可训练。 论文称，该框架在 LIBERO、LIBERO-Plus 和 RoboCasa-GR1 上与代表性 WAM 及视觉-语言-动作基线相比取得有竞争力的表现；在 DROID 视频-指令对（无动作标签）上预训练预测器并适配为 WAM，可为下游控制和分布外泛化带来显著提升。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。