PINT：通过共享预测意图统合语义推理、世界模型与动作生成的机器人操作模型

预印本摘要称，研究者提出机器人操作统一模型 PINT，通过在视觉语言模型中插入可学习意图标记形成共享预测意图，协同语义推理、视频生成世界模型与动作生成。该模型采用两阶段训练且无需具身预训练，在 RoboTwin 2.0-Hard 基准上达到 15.5% 成功率，并在五项真实双臂任务中实现 68% 分布内与 24% 分布外成功率。