模態自迴歸 World-Action 模型 (ModAR)：高效預測未來行為
為何重要
對於機器人自主學習與具身智慧 (Embodied AI) 開發者而言，該研究驗證了使用「幾何密集」的模態（如深度圖、網點軌跡）比單純 RGB 能更高效地捕捉動態與情境。相比於傳統預測 RGB 的做法，ModAR 所展現的順序生成優勢與 20 倍的訓練算力減少，暗示未來具身 AI 可能走向更輕量化的訓練管道。
世界行為模型 (WAMs) 旨在聯合預測未來觀測資料與執行動作，本文提出 ModAR 這型別的模型透過自迴歸去噪技術，在預測行為前先產生多種未來模態。
- 評估顯示，ModAR 可提升網點軌跡與深度圖的表現，但額外預測未來 RGB 影像並非必要。
- 在實際雙手任務中，ModAR 平均成功率達 75%，優於微調 Video-model-initialized WAM Flex-π 的 72%。
- ModAR 僅需約 20倍 的訓練 FLOPs 即可達成同等效能且不需預訓練，大幅降低運算成本。