统一视觉-语言-动作模型

arXiv 25.6 2025 59.8 method, application

TLDR

UniVLA将视觉、语言和动作统一为离散令牌，通过视频世界建模在机器人操作基准和真实任务上达到最优。

评分理由

The paper presents a novel unified token approach and demonstrates strong empirical results across multiple simulation benchmarks and real-world applications. However, the abstract lacks detailed discussion of limitations and does not explicitly address several keyword concepts like world simulator or interactive world model.

Read-first 评分解释

综合优先阅读分 59.8，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 38。

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：基线、基准、评估、指标、结果

近期性 8%

86.7

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：2025

主题相关性 42%

54.3

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

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

研究版图角色

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：253。

关键词评分

world model

world dynamics prediction

video world model

model-based reinforcement learning world model

generative world model

interactive world model

world simulator

深度分析

创新点

将视觉、语言和动作信号统一建模为离散令牌序列的自回归方法
在后训练阶段引入世界建模，从视频中捕捉因果动态
有效迁移到下游策略学习，尤其适用于长时域任务

方法

UniVLA是一种统一的多模态模型，将视觉、语言和动作令牌作为离散序列进行自回归处理。它在大规模视频数据上训练，并通过世界建模进行后训练以捕捉因果动态。评估在仿真基准（CALVIN、LIBERO、Simplenv-Bridge）和真实世界任务（ALOHA操作、自动驾驶）上进行，基线包括pi0-FAST，主要指标为成功率。

关键结果

UniVLA在多个基准上取得了最优结果，尤其在LIBERO上达到95.5%的平均成功率，超过pi0-FAST的85.5%，并在CALVIN和Simplenv-Bridge上创下新纪录。

资源

论文