Concertina：将操作与认知统一到扩散VLM

Chengcheng Wang等作者提出并发布具身视觉语言模型Concertina，将连续轨迹表示、分块生成和物理坐标监督直接放在共享扩散VLM主干的同一计算与参数路径上，每个控制时间步被编码为主干隐空间中的一个连续latent action token。 该设计的目标是把机器人操作与认知能力统一进同一个扩散视觉语言模型，而非分置于不同模块。目前公开信息为作者在论文中的自述，尚未见独立验证其实际效果。

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。