递归信念视觉语言模型

当前视觉 - 语言 - 动作模型在部分可观测下的长程操作中表现不佳，常因依赖短上下文导致任务进度丢失。本文提出 RB-VLA，一种以信念为中心的架构，通过自监督世界模型目标训练，维持紧凑的潜在状态以编码任务相关历史、动力学及物体交互。该模型仅需一次查询获取高层意图，由信念模块追踪进度并支持因果控制，无需存储原始观测或随时间扩展记忆。实验表明，其在多阶段任务中成功率显著提升，推理延迟降低五倍，证明了基于信念的状态表示对长程策略的有效性。