多模态统一词元空间

MM-ACT：从多模态并行生成中学习动作

MM-ACT: Learn from Multimodal Parallel Generation to Act

把文本、图像、动作放进共享词元空间并用 re-mask 并行解码统一生成，为视觉研究者提供了一个可复用的 VLA 架构范式：动作生成可借用扩散/掩码生成的并行解码思路，且跨模态监督能反哺动作预测精度。