时序集成

Mantis：一种具有解耦视觉预见的通用视觉-语言-动作模型

Mantis: A Versatile Vision-Language-Action Model with Disentangled Visual Foresight

把视觉预见预测从 VLA 骨干网络中解耦，用元查询加 DiT 头在残差连接下做下一状态预测，从而隐式捕获潜动作；这一「解耦式视觉预见」结构可直接迁移到任何需要视觉前瞻辅助动作学习的具身策略中。