跳到正文
热点事件持续更新

Z-sight:统一 VLA 与世界建模的机器人基础模型

1 篇报道1 个报道来源14 小时前更新

先了解这件事

AI 综述

Junjie Ye 等人提出 Z-sight,这是一种耦合视觉语言动作(VLA)与生成式潜在世界模型的统一机器人基础模型。该模型在视觉大模型感知的 token 空间直接预测未来,通过混合 Transformer 架构联合去噪未来空间 token 和动作,无需像素重建或外部编码器。相关论文已于 2026-11-19 在 arXiv 公开。

AI 根据报道生成 · 11 小时前更新

报道时间线

沿着报道,了解事件的不同侧面。

11月19日
  1. arXiv · 机器人与计算机视觉
    Z-sight:统一视觉语言动作与世界建模的机器人基础模型

    论文介绍 Z-sight,一种耦合视觉语言动作(VLA)与生成式潜在世界模型的统一机器人基础模型。该方法在 VLM 感知的视觉 token 空间直接预测未来,通过混合 Transformer 架构联合去噪未来空间 token 和动作,避免了像素重建或外部编码器。

本事件热度走势

可比范围当前
7
可比范围峰值
911月19日 17:00
近 24 小时变化
–

趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。