WAM和VLA，本质上都是在预测“状态”
PI0.5有一个很有意思的地方，他在动作头中，引入了一些随机初始化的token作为Q来和VLM输出进行交叉注意力 论文中把他们称为future token，即让模型想象一下“未来” 但是，这只是作者的声明，为什么就一定是future呢？ 这只是融合了当前 VLM 表示，并不自动等价于预测未来状态 并且不会觉得相似吗？ …
PI0.5有一个很有意思的地方，他在动作头中，引入了一些随机初始化的token作为Q来和VLM输出进行交叉注意力 论文中把他们称为future token，即让模型想象一下“未来” 但是，这只是作者的声明，为什么就一定是future呢？ 这只是融合了当前 VLM 表示，并不自动等价于预测未来状态 并且不会觉得相似吗？ …
这个栏目用于整理 VLA / WAM 相关资料，包括多模态理解、动作生成、机器人控制和系统集成。