EWAM: Tiefenweise Spezialisierung in einem vereinheitlichten Embodied Model
EWAM ist ein einheitliches Embodied Model, dessen Aktionsstrom in jeder Schicht auf semantische, visuelle und Aktions-Repräsentationen zugreifen kann. Laut dem Preprint bildet sich ohne explizite Schicht-Supervision eine tiefenweise Arbeitsteilung heraus: flache Schichten nutzen Vision-Language-Merkmale, mittlere Schichten vorhergesagte Zukunftsframes, tiefe Schichten Aktions-Selbstaufmerksamkeit. In Simulation und auf realen Robotern übertrifft EWAM bestehende VLA-, WAM- und Hybrid-Baselines; menschliche Egozentrik-Daten verbessern Transfer und Robustheit.