English(EN) Beyond Future Prediction: Denoising as Generative Adaptation for Robot Control

新的机器人控制方法在没有未来预测的情况下适应生成式AI模型

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-23 00:00

研究人员开发了NowWAM，一种新颖的机器人控制协同训练方法，该方法利用预训练的生成式Diffusion Transformers (DiTs)。与依赖未来视觉预测的先前方法不同，NowWAM通过去噪当前观测值，将DiT的原生生成目标直接耦合到动作预测。该方法在LIBERO-Plus基准测试中取得了87.7%的准确率，使用了FLUX2-Klein骨干网络，比现有方法提高了6.1个百分点，显示出更强的鲁棒性和效率。此外，NowWAM显著减少了训练时间和所需的视觉令牌，即使使用像Z-Image这样的纯文本到图像骨干网络也表现出强大的性能。 AI

影响这项研究通过更好地将大型生成模型应用于现实世界任务，可能带来更高效、更鲁棒的机器人控制系统。

排序理由详细介绍使用生成模型进行机器人控制新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 Hugging Face Daily Papers 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 0 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 详细介绍使用生成模型进行机器人控制新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: 15 days old; Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

Hugging Face Daily Papers TIER_1 English(EN) · 2026-09-23 00:00

超越未来预测：降噪作为机器人控制的生成式适应

Pretrained generative Diffusion Transformers (DiTs) capture rich pixel-level visual and language-conditioned structure through large-scale image and video generation training. A growing line of robot policies builds on this generative prior, but how it should be transferred to co…

本文如何被排名

报道来源 [1]

超越未来预测：降噪作为机器人控制的生成式适应

相关实体

相关话题