共 1 篇相关文章
UniWALM 提出统一世界-动作-语言模型,在单一 Transformer 骨干内同步生成视频、动作和语言,无需外部规划器。在 RMBench 记忆任务上达 34.5%,真实物品查找任务成功率从 11.1% 提升至 61.1%。