离散潜空间

统一感知与动作：一种面向机器人动作生成的隐式视觉思维链混合模态流水线

Unifying Perception and Action: A Hybrid-Modality Pipeline with Implicit Visual Chain-of-Thought for Robotic Action Generation

VITA 将视觉预测与动作生成统一到共享离散潜空间，用自回归 token 同时解码未来帧和动作，为视觉研究者提供了一种把视觉动态作为归纳偏置注入策略学习、缓解模态鸿沟与训练不稳定的可复用范式。