Hugging Face · 每日论文· 媒体 / 作者来源·精选
ALPS：统一物理状态、语言对齐与像素重建的视觉状态编码器
原文标题
ALPS: Visual State Encoders for World Models
AI 导读
研究者提出视觉状态编码器 ALPS，仅用静态图像与文本，以语言、重建和空间对应目标从零预训练 ViT-B/16，再用跨视角自蒸馏精调。在15个公开编码器的统一评测中，ALPS 的 LIBERO 状态探针聚合误差在 ViT-B 模型中最低，追平体积大3.5倍的 V-JEPA 2-L；冻结特征配合原生文本塔在 LIBERO 上策略平均成功率85.5%，在 PushT、Wall、Granular 的世界模型规划中持平或超过领先编码器，预测的未来 token 可直接解码成像素。
来源：Hugging Face · 每日论文 · arxiv.org
导读与选稿说明
提出一种同时具备物理状态、语言对齐和像素重建能力的视觉预训练编码器，在15个编码器对比中刷新ViT-B级状态探针误差，并报告LIBERO策略成功率与世界模型规划结果。
导读由模型辅助整理，非独立核验。完整信息见原文。