VTAM：免触觉预训练的视触世界-动作模型

Haoran Yuan 等作者发布 VTAM，一个面向接触密集型操作的视触觉世界-动作模型，其特点是不需要触觉或动作预训练。模型让 RGB 与触觉观测共享冻结的视频 VAE 和预训练视频 Transformer 权重。 作者称，VTAM 在四个真实机器人任务和八个 UniVTAC 仿真任务上超过所有基线，平均成功率 83.4%，接近用超过 3 万小时数据预训练的 N0-TWAM 的 84.5%。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。