R²-WAM
What Visual Representations Do World Action Models Need?
同一份 DINOv3 特征，换一种注入方式能差 10 个点；而只把特征当输入只能涨 1.8，逼模型预测未来特征才涨 7.2。这篇论文的结论是：注入方式和预测目标比「选哪个编码器」更值钱。
研读笔记
在与 Agent 的多轮深度刨根问底中搞懂模型机制，沉淀个人认知记录与技术精要。
在与 Agent 的多轮深度刨根问底中搞懂模型机制，沉淀个人认知记录与技术精要。
What Visual Representations Do World Action Models Need?
同一份 DINOv3 特征，换一种注入方式能差 10 个点；而只把特征当输入只能涨 1.8，逼模型预测未来特征才涨 7.2。这篇论文的结论是：注入方式和预测目标比「选哪个编码器」更值钱。