WAMは、ロボットの動作と将来の映像を一緒に予測する方策である。VLAとの成功率・推論時間・学習データの違いをFLUX 3 Actionとπ0.5で比べる。成功率は作り手の自己報告で、推論で映像を省く設計の根拠は査読前の論文である。
← 全タグ