ALPS：面向世界模型的视觉状态编码器

研究者提出预训练视觉状态编码器 ALPS，将物理状态信息、语言对齐和像素重建统一在同一组 patch token 中。仅用静态图像与文本从零预训练 ViT-B/16，并通过跨视角自蒸馏精调。