ALPS：面向世界模型的视觉状态编码器

研究提出预训练视觉状态编码器 ALPS，在一组 patch token 中统一物理状态信息、语言对齐与像素重建三种能力，仅用静态图像和文本从零预训练 ViT-B/16，并通过跨视角自蒸馏进一步优化。