UP-VLA：面向具身智能体的统一理解与预测模型

arXiv 25.1 2025 34 method

TLDR

UP-VLA统一理解与未来预测，在Calvin ABC-D上提升33%，改善真实操作。

评分理由

The paper introduces a novel training paradigm combining multi-modal understanding and future prediction, showing strong empirical results on both a benchmark and real-world tasks. However, it does not explicitly frame its prediction objective as a world model or simulator, limiting direct relevance to the specified keywords.

Read-first 评分解释

综合优先阅读分 34，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 3。

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

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、结果

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%

4.3

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

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：198。

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

统一的多模态理解与未来预测目标训练
增强具身控制中的高层语义理解与低层空间理解

方法

UP-VLA是一种统一视觉-语言-动作模型，通过多模态理解与未来预测目标进行训练。它利用预训练的视觉-语言模型，并在Calvin ABC-D基准和真实世界操作任务上进行评估。

关键结果

与先前最先进方法相比，UP-VLA在Calvin ABC-D基准上实现了33%的提升，并在需要精确空间信息的真实世界操作任务中展示了更高的成功率。

资源

论文