像世界模型一样思考，像 VLA 一样行动：将世界模型表征蒸馏为紧凑型机器人策略
研究人员提出一种方法，在部署时无需进行高成本的未来模拟，就能将世界模型对物理场景的理解迁移到紧凑型视觉-语言-动作（VLA）策略中。训练期间，系统使用冻结的世界模型处理训练帧并缓存其特征，再将特征对齐作为额外训练目标。训练完成后移除教师模型，因此部署策略的运行成本与基线模型相同：在消费级 RTX 5090 上，每次决策耗时 32 毫秒，占用 1.86GB 内存。一个拥有 8 亿参数的学生模型在 LIBERO 上达到 97.9%，并将 RoboCasa-GR1 人形机器人操作任务的成绩从 48.2% 提升至 50.5%。该方法还在单臂和双臂真实机器人平台上得到验证。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。