**ALPS：统一物理状态、语言与像素重建的视觉状态编码器**

_ALPS: Visual State Encoders for World Models_

> 针对现有世界模型视觉编码器功能单一的问题，研究提出了 ALPS，一种预训练的视觉状态编码器。该模型通过仅使用静态图像和文本，结合语言对齐、像素重建和空间对应关系进行预训练，并经由跨视图自蒸馏优化。ALPS 成功将物理状态信息、语言对齐和像素重建统一于同一套 patch token 中，在多项基准测试中实现了最优的综合性能，能够支持预测、指令遵循及视觉检查，为建立世界模型的共享视觉基础提供了新范式。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-10-22 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2610.30120)