**SALA:语义对齐的潜在动作实现具身基础模型的双轴扩展**

_SALA: Semantically Aligned Latent Actions Enable Dual-Axis Scaling of Embodied Foundation Models_

> 针对现有潜在动作模型(LAMs)仅通过视频重建导致表征与视觉外观聚类而非动作语义对齐的问题,论文提出了 SALA 框架。该方法无需配对数据,利用人类与机器人视频的语言描述来估计语义相似性,通过软邻域结构引导潜在动作的跨具身对应,并结合机器人动作重建以锚定潜在空间。实验表明,这种语义对齐的监督机制实现了具身基础模型的双轴扩展:预训练阶段增加通用人类视频量可一致降低机器人动作预测误差,后训练阶段增加特定任务的人类视频则能显著提升机器人现实任务的成功率。

**来源信息**
- **来源**:HuggingFace Daily Papers(社区热门论文)
- **分类**:ai-models
- **发布时间**:2026-11-17 08:00(北京时间)
- **原文**:[打开原文](https://huggingface.co/papers/2611.17110)