language-conditioning

ConfigWM 为世界模型引入了可配置感知，利用任务描述引导视觉嵌入映射到特定任务的状态空间，从而过滤无关干扰，在噪声环境中的规划成功率比最强基线提高了 22.3%。

ScaleNav通过在互联网第一人称视频上预训练目标导向视觉动态，结合动作对齐与联合微调，实现语言条件下的局部导航，在仿真与真实四足机器人部署上取得高成功率并超越基线。

提出了S2ST-Omni 2，一个多对一的组合式语音到语音翻译框架，用结构化类型学先验取代扁平语言标签以改进多语言适配，在CVSS-C上取得了优越性能。