Tags: #world model

精读 BagelVLA：在统一 MoT 模型中交错生成子任务文本、未来关键帧和动作，并用 Residual Flow Guidance 降低视觉预见延迟。

精读 VISTA：用可生成的视觉子目标把 Embodied World Model 变成高层规划器，再由 GoalVLA 执行低层动作，提升少样本机器人操作的 OOD 泛化。

精读 BAGEL：7B active / 14B total 的统一理解与生成模型，用 MoT、Rectified Flow 和视频/网页交错数据训练，并分析 IntelligentBench 与世界建模涌现。