VTAM：免触觉预训练的视触觉世界-动作模型

Haoran Yuan 等作者发布论文，提出 VTAM——一种面向接触密集型操作的视觉-触觉世界-动作模型，其特点是不需要触觉或动作预训练。 据论文描述，VTAM 让 RGB 与触觉观测共享冻结的视频 VAE 和预训练视频 Transformer 权重，先联合预测未来视觉与触觉潜变量，再用随机初始化的动作专家进行端到端微调。这些是作者在论文中的陈述，尚未见独立验证。

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。