JAM用未来监督提升控制，无需视觉生成或额外推理机制。
资讯摘要
论文提出Just Action Model（JAM）框架，将VLA与WAM的差异拆解为骨干初始化、未来观测目标函数、推理时是否保留未来损失机制三个可分离选择。JAM由预训练视觉骨干加动作专家构成，训练时用动作损失与前瞻损失，前瞻损失通过训练后丢弃的预测头让当前观测特征预测冻结的未来编码，训练与推理均不涉及视觉生成。作者报告JAM在LIBERO与LIBERO-Plus上优于匹配的FastWAM和ImageWAM，RoboTwin成功率相近或略高。
要点速读
- 论文将VLA与WAM的分歧拆为骨干初始化、未来观测目标、推理是否保留未来损失机制三项独立选择，并据此提出统一框架JAM。
- JAM用动作损失加前瞻损失训练，前瞻损失借助训练后丢弃的预测头预测冻结的未来编码，不进行视觉生成，骨干可自由选择。
- 作者报告JAM在LIBERO与LIBERO-Plus上超过匹配的FastWAM和ImageWAM，相比FastWAM成功率由97.0%/55.3%/91.2%提升至98.2%/64.5%/91.4%；缓存前瞻目标后每样本每次更新的在线训练FLOPs估计降低73%。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/29 08:00:20（北京时间）。