HuggingFace Daily Papers· Yonghao Yu, Lang Huang, Runyi Li, Toshihiko Yamasaki·2026-10-27 04:00· 1 天前精选AI 评分65

Vision-Language-Action or World-Action? Just Action Models

AI 导读

研究者提出Just Action Model (JAM)框架，统一了视觉-语言-动作模型(VLA)和世界-动作模型(WAM)方法。JAM使用预训练视觉骨干网络和动作专家，通过动作损失和远见损失进行训练，无需视觉生成。

推荐理由

通过解耦三个关键选择，JAM框架统一了VLA和WAM方法，在提升控制性能的同时减少73%训练计算量。