统一世界模型Orca：用状态预测取代多模态
推荐指数 74.0 NO. 019 · 2026.07.02
upvotes176comments5
为什么值得看
Orca提出Next-State-Prediction框架，用连续视频的无意识学习和有意识学习统一建模世界状态转移，而非分别预测token、帧或动作。这对做多模态融合和具身智能的工程师意味着可能省去多个独立模型的拼接成本。
媒体预览
编辑判断
当前多模态模型普遍采用各模态独立编码再对齐的架构，比如GPT-4V和Gemini分别处理视觉token和文本token，Orca的核心差异是把一切压进同一个状态空间，用状态转移替代模态对齐。这更像Yann LeCun一直倡导的JEPA路线而非GPT路线，如果验证有效，可能动摇下一代多模态架构的设计范式。论文热度176 upvotes但评论仅5条，说明概念吸引人但细节待检验，建议等代码开源后重点看其在机器人控制任务上的实际表现，而非仅看评测分数。