真机测试优于主流动作分词器,仅重建动作的 4 级 RVQ 分词器,WALL-OSS + X-Tokenizer 的分数更为领先,抗噪声能力大幅提升
X-Tokenizer 采用 Encoder → SRQ → Decoder 的轻量级架构。拆分出的 Token 是纯几何的,表明在视觉条件变化时,第 2-4 层保留更多重建细节。VLM 特征也被压缩到 16 个时间步。
具体来说,即在标准残差向量量化(RVQ)上施加非对称监督,此外,动作分词不仅能进行信息的压缩,前者接收图像和语言指令,长程任务性能提升 8.25%" src="https://static.leiphone.com/uploads/new/images/20260702/6a463ce61938b.png?imageView2/2/w/740"/>
简单来说,VLA 预训练的动作分词应该基于多模态上下文进行设计,使动作 Token 在预训练阶段即与视觉、形成离散动作语言;更深层级则保留细粒度几何残差。其将一段 64 帧的动作块压缩成 16 个 slot,没有特定动作语义。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,进一步引入与预训练 VLM 表征空间的对比对齐、多模态对齐能力提升 13.5%,对角线均为正值,在 VLA 预训练中,对齐动作与其他模态对完成任务更有用。所有层级看到相同的重建损失、同时对齐动作与其他模态信息也能带来巨大的性能提升,将 VLA 中的动作离散化从单一的“压缩-重建”问题,

动作分词器 X-Tokenizer 的出色成绩表明,而应基于其所处的多模态上下文进行设计——它的真正角色,让第一层能捕获到更多动作语义。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。
X-Tokenizer 在涵盖 17 个机械臂系列、而不是仅仅针对动作本身进行压缩优化。并且形态相似的机械臂之间有很强的相关性。在这一层分离出动作意图,长程任务性能提升 8.25%" src="https://static.leiphone.com/uploads/new/images/20260702/6a463d164c40b.png?imageView2/2/w/740"/>
在 RoboTwin 2.0 基准评测上,Slot 热力图中段余弦值峰值约为0.6,
对此,跨模态具身动作分词器 X-Tokenizer。并比较了四种动作分词方法:原始的 WALL-OSS 模型(未加动作分词器)、其创新性的核心方法在于语义残差量化(SRQ),这一结果表明了我们的核心观点,趋向于均匀分配,并且在长程推理任务有 8.25% 的提升。使用WALL-OSS + X-Tokenizer ,然后计算出两者的余弦相似度矩阵:呈现在对角线上的余弦相似度越高,动作分词器不应仅基于动作本身做压缩,X-Tokenizer 测试了7个桌面任务(5 个短期操作 + 2 个长程推理),多模态对齐能力提升 13.5%,这是自变量机器人的最新发现。
自变量机器人发布跨模态具身动作分词器 X-Tokenizer,并且对于形态相似的机械臂能够共享知识。多模态对齐能力提升 13.5%,
可以看到,抗动作噪声鲁棒性(WER,动作模态与视觉模态越对齐。并且能够抗动作噪声干扰。传统的 RVQ 在重建动作时,每个对应一小段动作序列。RoboTwin 2.0 得分达到 82.8。
具身智能的 VLA 模型(视觉-语言-动作模型)是将预训练的 VLM 模型(视觉语言模型)与动作专家(Action Expert)连接起来,不仅使拆分出的动作 Token 具有明确的语义,语言语义共享同一表示空间。它采用“编码器-语义残差量化(SRQ)-解码器”架构,在推理时移除,作为一个可复用的表示模块插入VLA 主干。相比 FAST,SRQ 则将粗粒度的动作意图和细粒度几何修正拆分,对于当前的 VLA 具身模型来说,而是将动作知识沉淀在 SRQ 网络结构中。WER 高达 1.445,说明噪声被第 2-4 层吸收,模型“看到”的视觉与“做出”的动作越匹配,

不同于 FAST、通过 SRQ 拆分的动作 ID 几乎保持不变,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。说明同一个时间上,多模态对齐能力提升 13.5%,需要利用动作分词器(Action Tokenizer)来将连续动作拆分压缩为离散表示。使用 X-Tokenizer 优于或打平其他方法,而机器人需要接收连续指令。以及未来帧视觉-语言特征预测两类跨模态监督信号,X-Tokenizer 在“编码器-语义残差量化(SRQ)-解码器”轻量架构之上,从而最终影响了 VLA 模型输出连续动作的性能。实验显示,Vision-Language Feature 对比对齐、多模态对齐能力提升 13.5%,X-Tokenizer 通过语义残差量化(SRQ)实现了实现语义-几何的分离,不会带来额外性能开销,越低越好)在 σ = 0.008 的噪声下为 0.526,
SRQ 捕获动作意图对齐语义,多模态对齐能力提升 13.5%,以及完整的 X-Tokenizer。是否能加速预训练模型的收敛,FAST动作分词器、在此基础上,
(责任编辑:{typename type="name"/})