arXiv · cs.AI· Xinyu Zhang, Zhengtong Xu, Yutian Tao, Yeping Wang, Yu She, Abdeslam Boularias·· 1 天前
RLA-WM：用残差潜在动作学习视觉特征世界模型
Learning Visual Feature-Based World Models via Residual Latent Action
arXiv:2605.07079v2阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Xinyu Zhang, Zhengtong Xu, Yutian Tao, Yeping Wang, Yu She, Abdeslam Boularias
研究任务与主要进展
作者提出残差潜在动作（RLA）和 RLA World Model（RLA-WM），通过预测 DINO 残差中的未来视觉特征来建模世界状态。RLA-WM 使用 flow matching 预测 RLA 值，摘要称其在模拟和真实世界数据集上优于现有特征型及视频扩散世界模型，速度快数个数量级；作者还提出两种利用该模型的机器人学习技术，分别用于改进 VLA 策略学习和仅基于离线视频的视觉强化学习。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org