Il framework DIAL disaccoppia intenzione e azione nei modelli VLA

I ricercatori hanno introdotto DIAL, un framework per modelli Vision-Language-Action (VLA) che separa il processo decisionale di alto livello dall'esecuzione motoria di basso livello. A differenza dei VLA end-to-end esistenti che trattano i modelli Vision-Language (VLM) principalmente come codificatori multimodali, DIAL utilizza un System-2 basato su VLM per la modellazione del mondo latente, sintetizzando una preveggenza visiva nello spazio delle feature nativo del VLM. Questa preveggenza codifica l'intenzione e funge da collo di bottiglia strutturale. Una politica leggera System-1 decodifica quindi questa intenzione in azioni. L'approccio affronta l'instabilità dell'addestramento e il sottoutilizzo delle rappresentazioni semantiche dei VLM. L'articolo è disponibile su arXiv con identificatore 2603.29844.