VANE：在嵌入空间预测下一帧的视觉预训练框架

Yifeng Yao 等研究者提出自监督视觉预训练框架 VANE，其核心做法是在冻结语义 tokenizer 提供的固定嵌入空间中预测下一帧，而非直接预测像素。 该框架由因果编码器总结过去观测，状态预测器据此推断整帧表示，再由轻量生成解码器重建未来帧 patch 以保留细节。研究者称，这一设计将下一帧预测统一到嵌入空间中进行。

AI 根据报道生成 · 50 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。