任务感知联合优化

ModularAgent：面向多模态大语言模型与世界模型联合优化的任务感知模块化框架

ModularAgent: A Task-Aware Modular Framework for Joint Optimization of Multimodal Large Language Models and World Models

把 MLLM 的语义表征注入世界模型潜空间、再用世界模型生成的稠密文本条件奖励反向精炼 MLLM 语义空间的双向耦合机制，可为视觉研究者提供一种将视觉动态预测与语言语义先验联合训练的可复用范式，尤其适用于需要多任务与跨环境泛化的具身视觉策略学习。