视觉-语言-动作模型中的世界建模：哪些因素重要？

基于摘要分析。本文研究视觉-语言-动作模型（VLA）如何集成世界模型，使策略能够预判未来动态，而不只依赖当前观测直接生成动作。核心贡献是在统一框架下分离考察世界表征、集成范式与策略骨干，减少既有方法同时改变多个因素所带来的比较困难。 作者将现有方法归纳为 Implicit Future Alignment、Explicit Future Query、MoT Future Expert 和 External World Predictor 四类，并在统一框架中实例化，结合不同世界表征与策略骨干，在域内、域外、长时程、动态、少样本及真实世界设置下评估。摘要未提供各范式的具体训练目标、模块连接方式或推理开销，不能据名称推断其实现细节。 作者报告：世界表征的有效性依赖集成范式，但二维语义表征在不同范式间均能带来较稳健的收益；没有一种范式在所有设置下最优，解耦的 MoT Future Expert 整体表现具有竞争力，尤其在域外（OOD）鲁棒性方面；世界建模持续改善基于标准视觉-语言模型（VLM）的策略，而解耦设计与预训练 VLA 的兼容性更好；相较仅预测动作的基线，世界建模在多种设置下改善表现，长时程与动态任务的收益尤为突出。摘要没有给出具体指标、数值、数据集与任务划分，因此这些结论目前只能按作者报告理解，不能据此比较收益幅度。 全文核对重点包括：各范式是否使用可比的训练数据、骨干与计算预算，世界表征的构造和监督来源，以及不同任务设置下的统计稳定性、消融和复现条件；这些信息尚未验证。本文主要研究机器人视觉-语言-动作策略，并非 EEG 或 BCI 方法；现有材料不足以建立具体迁移路径，不据此推断其对神经信号解码有效。已有 EEG 相关工作尚未检索确认。