**解耦视觉与语言：Just Action Model (JAM) 超越 VLA 与 WAM 架构之争**

_Vision-Language-Action or World-Action? Just Action Models_

> 研究提出 Just Action Model (JAM)，通过解耦骨干网络初始化、目标函数及推理机制，证明了无需视觉生成即可实现高效控制。JAM 利用前瞻性损失（foresight loss）训练动作策略，在 LIBERO 和 RoboTwin 等基准测试中，其成功率显著优于 FastWAM 和 ImageWAM，同时大幅降低了在线训练的计算成本。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：ai-models
- **发布时间**：2026-10-28 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2610.37219)