CSWAM 模型提升世界动作模型分布外泛化能力
论文AI 评分 65/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
CSWAM 模型通过引入基于 V-JEPA 2.1 的因果语义专家，解决了 FastWAM 在视觉分布偏移下泛化性差的问题。该方法利用因果注意力机制共享历史上下文，在保持高效动作推理的同时，显著提升了模型对未见场景的适应性。在 RoboTwin 2.0 的 Clean-to-Randomized 迁移任务中，成功率从 10.16% 提升至 45.18%；在真实机器人任务中，平均成功率从 27.5% 提升至 70.0%。
为什么值得看
大幅提升机器人在视觉环境变化下的任务成功率，解决泛化难题。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。