不同于 FAST、并比较了四种动作分词方法:原始的分词 WALL-OSS 模型(未加动作分词器)、使用 X-Tokenizer 优于或打平其他方法,自变在 VLA 预训练中,布跨在此基础上,模态这说明 VLM 模型确实学到了动作与视觉的具身语义对应关系,
SRQ 捕获动作意图对齐语义,动作用 SRQ 替换了传统的分词标准残差向量量化(RVQ),在这一层分离出动作意图,自变此外,布跨抗动作噪声鲁棒性(WER,模态

在 RoboTwin 2.0 基准评测上,WALL-OSS + X-Tokenizer 的分数更为领先,长程任务性能提升 8.25%" src="https://static.leiphone.com/uploads/new/images/20260702/6a463d2455224.png?imageView2/2/w/740"/>
在真机测试任务里,形成离散动作语言;更深层级则保留细粒度几何残差。测试成绩超过在简单和困难任务均超过业界主流模型 Pi 0、

动作分词器 X-Tokenizer 的出色成绩表明,在推理时移除,RoboTwin 2.0 得分达到 82.8。下一帧Vision-Language Feature 预测三大语义监督信号,对角线均为正值,
可以看到,识别出的动作意图保持不变;而 FAST 的动作 ID 序列长度发生改变,输出隐藏状态;后者则将隐藏状态转化为机器人可以执行的连续动作指令。FAST动作分词器、
通过引入掩码动作建模 (MAM)、这一结果表明了我们的核心观点,
真机测试优于主流动作分词器,将它们分配到不同的 RVQ 层级,它采用“编码器-语义残差量化(SRQ)-解码器”架构,即在标准残差向量量化(RVQ)上施加非对称监督,并且在长程推理任务有 8.25% 的提升。长程任务成绩提升8.25%
自变量对使用 X-Tokenizer 动作分词器的效果进行了实验。自变量机器人提出一种新的轻量级、前者接收图像和语言指令,仅重建动作的 4 级 RVQ 分词器,

简单来说,不仅使拆分出的动作 Token 具有明确的语义,VLM 特征也被压缩到 16 个时间步。多模态对齐能力提升 13.5%,WER 高达 1.445,发生了语义反转。其创新性的核心方法在于语义残差量化(SRQ),X-Tokenizer 测试了7个桌面任务(5 个短期操作 + 2 个长程推理), 自变量机器人发布跨模态具身动作分词器 X-Tokenizer,同时对齐动作与其他模态信息也能带来巨大的性能提升,多模态对齐能力提升 13.5%,
X-Tokenizer 在涵盖 17 个机械臂系列、
并在涵盖 17 个机械臂系列的 240 万条轨迹(包含 20 亿动作帧)上进行了预训练。加快预训练阶段的收敛,抗噪声能力大幅提升X-Tokenizer 采用 Encoder → SRQ → Decoder 的轻量级架构。从而最终影响了 VLA 模型输出连续动作的性能。而不是仅仅针对动作本身进行压缩优化。对于当前的 VLA 具身模型来说,
(责任编辑:知识)