Модальность-авторегрессивные модели мира-действия

В статье представлен ModAR — первая модель world-action, которая последовательно удаляет шум из нескольких будущих модальностей перед предсказанием действий, позволяя каждой предсказанию опираться на ранее сгенерированные модальности. Оценки показывают, что ModAR превосходит существующие формулировки WAM, достигая более высоких показателей успеха при меньших затратах вычислений и без предварительного обучения.