MMaDA-VLA：统一多模态指令与生成的大型扩散视觉-语言-动作模型

arXiv 26.3 2026 32 method

TLDR

一种原生离散扩散VLA模型，统一多模态理解与生成，在机器人操作基准和真实任务上达到SOTA。

评分理由

The paper presents a novel approach that avoids auxiliary world models by using iterative denoising for joint future observation and action generation. Strengths include strong empirical results and a unified framework; weaknesses are limited discussion of limitations and potential scalability issues.

Read-first 评分解释

综合优先阅读分 32，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 2。

近期性 8%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

方法质量 25%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：基准、实验

可复现性 25%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：无

主题相关性 42%

2.9

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

研究版图角色

前沿论文

排序敏感性

稳定性：volatile；排名波动范围：280。

关键词评分

world dynamics prediction

world model

world simulator

generative world model

interactive world model

video world model

model-based reinforcement learning world model

深度分析

创新点

原生离散扩散公式，在单一框架中统一多模态理解与生成
将语言、图像和连续机器人控制嵌入到同一个离散令牌空间中
通过掩码令牌去噪训练单个骨干网络，并行生成未来目标观测和动作块
迭代去噪实现全局、无顺序的细化，提升长程一致性
将动作基于预测的未来视觉结果，无需辅助世界模型

方法

MMaDA-VLA采用原生离散扩散公式，将语言、图像和连续机器人控制嵌入到单个离散令牌空间中。通过掩码令牌去噪训练单个骨干网络，并行生成未来目标观测和动作块，利用迭代去噪实现全局细化。

关键结果

该模型在仿真基准和真实世界任务上达到最先进性能，在LIBERO上平均成功率为98.0%，在CALVIN上平均长度为4.78。

资源

论文