Hugging Face · 每日论文· 媒体 / 作者来源·精选
Just Action Model：统一视觉-语言-行动与世界-行动模型框架
原文标题
Vision-Language-Action or World-Action? Just Action Models
AI 导读
研究提出Just Action Model (JAM)框架，解耦视觉-语言-行动(VLA)与世界-行动(WAM)模型的三个关键选择：骨干初始化、未来观测目标函数及推理时保留的机制。JAM使用预训练视觉骨干加行动专家，通过行动损失和远见损失训练，预测头训练后丢弃，无需视觉生成。在LIBERO和LIBERO-Plus数据集上，JAM性能超越FastWAM和ImageWAM，成功率分别提升至98.2%/64.5%/91.4%，训练效率提升73%。
来源：Hugging Face · 每日论文 · arxiv.org
导读与选稿说明
JAM框架统一了VLA与WAM模型，通过远见损失提升控制性能而不依赖视觉生成，显著提高机器人任务成功率和训练效率。
导读由模型辅助整理，非独立核验。完整信息见原文。