利用密集具身思维链监督训练视觉 - 语言 - 动作模型

针对跨具身迁移中状态与动作空间差异大的挑战，本文提出 ZR-0 模型。该模型利用密集具身思维链（ECoT）监督，在对齐跨具身表示的同时，捕捉共享的高级认知过程。ZR-0 采用双流架构：预训练 VLM 生成结构化 ECoT 推理，扩散 Transformer 专家产生连续动作块。两者通过交叉注意力耦合，支持推理时跳过 ECoT 生成且无损性能。在多个仿真基准及真实机器人实验中的评估表明，该方法具有强大的泛化与执行能力。