papers batch 14

go on this: https://axi404.top/blog/eai-papers#%E6%9C%BA%E5%99%A8%E4%BA%BA%E6%95%B0%E6%8D%AE%E9%9B%86

ImageWAM (109)

️️⭐️️⭐️⭐️ Wenyao Zhang, Xiaokang Yang, SJTU | https://www.alphaxiv.org/abs/2606.19531

• 动机：也许不需要 VM，只需要 edit.
• 方法：
  1. MoT 架构不变，换为 FLUX.2 4B (flow-matching)，编辑目标是 16 帧以后的观测图像，进行监督，推理时仅前向一次干净图像.
• 结果：
  1. 真机 demo 是 pick and place，精度和流畅度不错
  2. 点数挺高, robotwin c2c r2r ~93%

RL-token (110)

⭐⭐️️⭐️️⭐️️️️ Charles Xu, PI |https://www.alphaxiv.org/abs/2604.23073

• 动机：想通过小 RL 提升动作 precision 和 speed，但是 DSRL 能调节的局限性又太强.
• 方法：VLA 输出额外 token，第一阶段用它重建 VLA 输入. 第二阶段冻结 VLA 和提取器，训练 actor critic，这俩都会接收 RL token. actor 还额外接收 VLA 给出的参考动作块&带正则化防偏离，critic 则接收待评估动作块. 给人工标注的成功/失败奖励即可.
• 结果：成功率和 DSRL 差不多，但是 RLT 更快.