PAIR：打通视觉-语言-动作模型的感知与行动
原文标题：PAIR: Bridging Perception and Action in Vision-Language-Action Models
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出 PAIR 框架，在视觉-语言-动作（VLA）模型中学习共享的感知-行动表示。训练时用掩码动作自编码器编码专家动作块，桥接模块提取任务相关特征并生成 Bridge Tokens 注入动作 token。在 LIBERO-Plus 上 VLA-Adapter 成功率从 59.1% 提升至 64.2%，真实任务中 OpenVLA-OFT 成功率从 51.4% 升至 65.0%。
深读 · 结论先行AI 生成展开看要点与影响 ↓
PAIR为VLA学共享感知-行动表示，真实任务成功率51.4%升至65.0%
- •训练时用掩码动作自编码器把专家动作块编码为与horizon对齐的Action Latent Tokens
- •桥接模块从当前视觉-语言表示提取任务相关特征，对齐后形成Bridge Tokens注入动作token
- •推理时移除自编码器，Bridge Tokens仅由当前观测与指令生成
- •LIBERO-Plus上VLA-Adapter成功率59.1%→64.2%；真实任务中OpenVLA-OFT 51.4%→65.0%
- •CALVIN上VLA-Adapter平均完成序列长度从4.42提升
为什么重要：连续动作VLA的感知到行动过渡此前只靠最终动作损失隐式监督，显式桥接带来两位数真实任务提升，对机器人VLA训练方案有借鉴价值。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
谷歌发布 EmbeddingGemma 2，五模态统一向量空间
AI 摘要谷歌推出 EmbeddingGemma 2 嵌入模型，可将文本、图像等五种模态映射到同一个向量空间，实现跨模态检索与对齐。该模型延续 Gemma 开源系列，面向多模态嵌入与检索增强场景。
谷歌发布Genie 4世界模型，可生成带音频交互体验
AI 摘要谷歌发布 Genie 4 世界模型，支持更真实的世界、自然语言实时修改、音频生成，底层由 Gemini 3.8 Flash 驱动，单次体验时长从 1 分钟提升至约 2 分钟。该模型先以研究预览形式向受信任测试者开放，并将向 Google AI Ultra 订阅用户推出。
谷歌 DeepMind 发布 Genie 4 世界模型，新增音频与实时操控
AI 摘要谷歌 DeepMind 发布世界模型 Genie 4，新增实时音频、更逼真的模拟环境，并支持在模拟过程中用文本提示实时操控。该模型以研究预览形式向受信任测试者开放，进一步推进可交互世界模型的能力边界。
谷歌 DeepMind 称四个 Gemini 4 智能体 27 小时通关《我的世界》
AI 摘要谷歌 DeepMind 表示，四个基于 Gemini 4 的 AI 智能体在 27 小时内自行编写 2783 段程序，成功通关《我的世界》。过程中智能体在简单难度下死亡 605 次，估计消耗约 520 美元 token 成本。