VLA统一架构新突破：自回归世界模型引领具身智能

然而，现有方法多以语言模态为中心，往往忽视了视觉信息蕴含的丰富时序动态与因果结构。 本文来自：王宇琪，中国科学院自动化所博士，研究方向为世界模型，自动驾驶感知与决策等，在 CVPR、NeurIPS、ICCV、 ECCV、ICLR 等顶级会议上发表过多篇论文。 王鑫龙团队，北京智源研究院，研究方向为原生多模态大模型，Emu 系列工作核心负责人。 张兆翔团队，中国科学院自动化研究所，研究方向涵盖世界模型、视觉生成与重建、自动驾驶、具身智能等。 从 Sora 到 Genie2，从语言驱动的视频生成到世界的交互模拟，世界模型正加速成为连接感知、理解与决策的关键基座。随着视觉 - 语 言 - 动作（VLA）模型在具身智能领域的快速发展，多模态之间的边界正被重塑。 论文标题： Unified Vision-Language-Action Model 网站链接： https://robertwyq.github.io/univla.github.io/ 论文链接： https://arxiv.org/abs/2506.19850 代码链接： https://github.com/baaivision/UniVLA 为此，北 ...