视觉语言动作模型中世界模型集成的关键因素研究

预印本摘要称，研究团队构建了统一评测框架，系统分析世界模型融入视觉语言动作模型（VLA）的关键影响因素，并归纳出四种代表性集成范式。实验发现，2D语义表征具有稳健的跨范式增益，解耦的MoT Future Expert范式在分布外鲁棒性上表现更优；世界模型相比纯动作基线在长程与动态任务中提升明显，且解耦设计与预训练VLA具备更佳兼容性。