WorldDiT: A Unified Diffusion Architecture for World and Action Modeling
Many recent robot policies pursue stronger control by using large pretrained vision-language models (VLMs) as the action backbone.
Hugging Face · Daily Papers
·Sen Wang, R. Gnana Praveen
·
·▲ 4 upvotes
Este artigo está em destaque na seleção diária de papers do Hugging Face, curada pela comunidade de pesquisa em IA.
Autores: Sen Wang, R. Gnana Praveen, Bidhan Roy, Marcos Villagra
- 4 upvotes da comunidade
Resumo
Resumo original (em inglês), extraído do paper:
Many recent robot policies pursue stronger control by using large pretrained vision-language models (VLMs) as the action backbone. We introduce WorldDiT, a unified diffusion transformer architecture that couples action generation with visual world modeling and achieves strong performance without a large pretrained VLM action backbone. During training, a single diffusion transformer generates continuous action chunks and predicts normalized RGB patch targets from future camera frames. Across four LIBERO simulation suites, WorldDiT lies on the reported Pareto frontier for total model parameters and mean success among methods reporting all four suites. These results provide a strong sub-billion-parameter baseline for future scaling studies.Onde ler
// relacionados
Leia também
Blog
Desenvolvedores de IA de fronteira pedem coordenação internacional para conter o ritmo da pesquisa automatizada antes que as capacidades superem o controle
Blog
A marca d'água SynthID do Google é difícil de burlar, mas não resolve a desinformação gerada por IA
Blog
Relatório da OpenAI associa agentes de programação a construções mais rápidas de softwares científicos
Blog