标签
本文提出时频几何交叉注意力（TFGCA），这是一种即插即用模块，用于分块视觉-语言-动作模型，通过将分块分解为时频表示并捕捉几何关系来改进动作轨迹预测，从而在基准测试和真实机器人任务中实现显著性能提升。
DreamX-Phi 1.0 是一个面向机器人操作的动作条件视频世界模型，利用几何注意力编码、深度估计和蒸馏来预测未来的观察结果，在 WorldArena 2.0 挑战赛中取得了顶尖成绩。