**N\_0-VTLA：基于潜在触觉令牌的大规模视觉-触觉-语言-动作模型**

_N\_0-VTLA: Scaling Vision-Tactile-Language-Action Model with Latent Tactile Tokens_

> HuggingFace Daily Papers 社区热门论文。研究团队提出 N\_0-VTLA，首个在大规模触觉数据上进行预训练的视觉-触觉-语言-动作（VTLA）基础模型。该模型通过视觉-触觉预训练、分阶段触觉通路集成以及优势条件离线策略改进（ALTER方法），实现了精细的接触丰富操作与触觉反馈控制。在九项真实机器人 NeoReal 任务中全部获胜，二十项模拟任务平均成功率达 63.8%，结合 ALTER 后在长周期真实机器人任务中成功率提升至 75%-95%。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：ai-models
- **发布时间**：2026-08-03 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2607.23782)