LEARNING
X-Tokenizer：面向视觉-语言-动作预训练的多模态动作分词器
Xirui Kang, Yanpei Shi, Lucy Liang, Roy Gan, Dongxiu Liu, Pushi Zhang, Danpeng Chen, Xiaoyi Qin, Yinan Zheng, Jinliang Zheng, Hao Wang, Xianyuan Zhan, Hang Su
- 发表年份
- 2026
- 访问权限
- 开放获取
摘要
本文提出X-Tokenizer，一种基于语义残差量化的轻量级动作分词器，旨在将动作离散化为兼具语义与几何信息的令牌，以桥接预训练的视觉-语言推理与连续机器人控制。通过掩码动作建模和对比对齐，该分词器在多种机械臂平台上实现了统一的动作接口，显著提升了多模态推理与执行的一致性。
关键词
action tokenizationvision-language-actionsemantic quantizationpretrainingrobot control
相关论文
LEARNING
📊 8,465 引用
The Organization of Behavior
D. O. Hebb
2005
LEARNING
📊 7,678 引用
Fractional Brownian Motions, Fractional Noises and Applications
Benoît B. Mandelbrot, John W. Van Ness
1968
LEARNING
开放获取📊 7,484 引用
Review of deep learning: concepts, CNN architectures, challenges, applications, future directions
Laith Alzubaidi, Jinglan Zhang, Amjad J. Humaidi 等 10 位作者
2021
LEARNING
📊 4,608 引用
A guide to deep learning in healthcare
Andre Esteva, Alexandre Robicquet, Bharath Ramsundar 等 10 位作者
2018