Z-sight 把视觉语言动作模型与潜在世界模型合二为一,在视觉 token 空间里直接预测未来再出动作,无需生成像素。论文 11 月 18 日提交,宇树 G1 六项真机任务平均成功率 73.3%,较最强基线高 20 个百分点,单步推理约 110 毫秒。
正文完
Z-sight 把视觉语言动作模型与潜在世界模型合二为一,在视觉 token 空间里直接预测未来再出动作,无需生成像素。论文 11 月 18 日提交,宇树 G1 六项真机任务平均成功率 73.3%,较最强基线高 20 个百分点,单步推理约 110 毫秒。