Tags: #discrete diffusion

精读 MMaDA-VLA：把语言、图像、动作放进同一离散 token 空间，用并行迭代去噪共同生成目标观测与动作块。

精读 dWorldEval：把视觉、语言和动作放进同一离散 token 序列，以关键帧记忆和 progress token 实现可扩展的机器人策略评估。