Tag · 2 篇
视觉预见
01 02
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。
ForeAct：以高效视觉预见规划引导视觉语言动作模型
ForeAct: Steering Your VLA with Efficient Visual Foresight Planning
把「想象未来观测」作为可插拔的视觉输入增强，让 VLA 从高层语义推理中解放出来专注视觉-运动推理；其 0.33s 生成 640x480 预见图像的轻量生成模块与百万级跨具身预训练思路，可直接迁移到任何以图像为输入的策略模型上。