WorldVLA

WorldVLA: Towards Autoregressive Action World Model进阶

阿里达摩院把 VLA 和世界模型合进一个自回归模型，既出动作又预测下一帧

阿里达摩院 2025 年 6 月发布的工作，基于 Chameleon 这类图文统一的自回归模型，把图像、文字、动作都转成 token 放进同一个 Transformer。同一模型兼任两个角色：作为动作模型，根据画面和指令生成动作；作为世界模型，根据当前画面和动作预测下一帧画面。作者发现两者联合训练能互相提升。另一个发现是自回归地连续生成多个动作时，前面动作的误差会传给后面，于是提出一种注意力掩码，生成当前动作时屏蔽之前的动作、只看图像和指令，在 LIBERO 上明显改善多步动作生成。2025 年 11 月项目升级为 RynnVLA-002。