arXiv cs.AI· Xinyi Hong, Mingyang Ren·· 11 小时前AI 评分29
用 Model-to-Policy 公式统一具身基础模型
Unifying Embodied Foundation Models via a Model-to-Policy Formulation
AI 导读
研究者提出一种基于随机核的架构无关概率公式，用于统一 VLA 模型与世界动作模型（WAM）这类具身基础模型。该公式通过条件输出分布与动作实现核刻画具身基础模型，并将预训练、后训练与策略部署串联起来。作者在 OpenVLA 和 DreamZero 上实例化该公式，覆盖自回归动作 token 预测与视频-动作联合生成两种范式。
正文 · AI 翻译
摘要：视觉-语言-动作（VLA）模型与世界-动作模型（WAM）已成为机器人学习与控制领域颇具前景的方法。这些模型整合了多模态感知与动作生成，但在架构、输出表示和学习目标上有所不同。本文基于随机核，为具身基础模型提出了一种统一的、与架构无关的概率表述。我们的表述包含两个关键部分：(i) 我们通过条件输出分布和动作实现核来刻画具身基础模型，二者共同导出以任务为条件的机器人策略；(ii) 我们将预训练和后训练与策略部署相连接，兼容特定模型的预训练目标以及离线或在线后训练策略。我们以 OpenVLA 和 DreamZero 为例实例化了该表述，涵盖自回归动作 token 预测与联合视频-动作生成。
| 学科： | 机器人学（cs.RO）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.23053 [cs.RO] |
| （或 arXiv:2610.23053v1 [cs.RO] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.23053 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Xinyi Hong [查看邮箱]
[v1]
2026年10月16日星期五 07:30:52 UTC（23 KB）
来源：arXiv cs.AI · arxiv.org