Shuang Luo

作者提出ACT3，一种以动作为中心的三流Transformer：语义流（VLM）与动力学流（世界模型）各自独立前向计算，仅由动作专家通过逐层注意力读取两者的键值，并在动作监督下联合优化。在RoboCasa 24项厨房任务上成功率达71.2%（基线59.4%），LIBERO平均98.6%（基线96.9%），LIBERO-Plus分布偏移下82.4%（基线68.4%）。

作者提出ACT3，一种以动作为中心的三流Transformer：语义流（VLM）与动力学流（世界模型）各自独立前向计算，仅由动作专家通过逐层注意力读取两者的键值，并在动作监督下联合优化。在RoboCasa 24项厨房任务上成功率达71.2%（基线59.4%），LIBERO平均98.6%（基线96.9%），LIBERO-Plus分布偏移下82.4%（基线68.4%）。