世界动作模型跨任务泛化的局限根源与改进研究

预印本摘要显示，研究通过将世界动作模型解耦为世界模型与逆动力学模型，诊断出跨任务泛化失效集中在夹爪与交互几何区域，而非泛化的背景生成能力不足。研究团队据此提出预训练逆动力学模型 AoE 与视觉到动作损失 VITA，将生成结果通过冻结模型惩罚动作偏差。在两个世界模型和三个操作基准测试中，该方法将生成未来的执行成功率从接近零提升至 47.0%。