IXThinker·2026-04-14 15:10

開源樂高式架構統一視覺語言動作研究

具身智能的視覺語言動作模型賽道正面對動作解碼範式異構、數據管線強耦合與評測協議不兼容等碎片化問題，方法難以橫向對比。一個開源項目提出主幹與動作頭解耦的樂高式統一架構，降低復現成本，推動研究標準化。

賽道陷入碎片化困境

儘管視覺語言動作模型已成為具身通用智能的主流範式，學術研究卻面臨三重障礙：自回歸離散標記化、並行連續回歸、流匹配去噪等不同動作解碼方案並存，加上互不兼容的評測協議，令方法難以公平比較。