エンコーダーとデコーダーは視覚観測と実行済み行動を条件とし、残る将来の触覚変化を16値ずつの4トークンに圧縮します。学習時には触覚コードと接触状態の補助ヘッドを使用します。運用時はトークナイザーと両補助ヘッドを外し、行動エキスパートが触覚3フレーム由来の60トークンを読み取ります。
著者所属は上海科技大学、中国科学院工業人工知能研究所、北京大学、セントルイス・ワシントン大学、Beijing FiveAges Technologyです。arXivのプレプリントは2026年11月20日の公開分に掲載されました。
台北時間2026年11月19日、19:27:30にコードを初回コミット、21:10:54に重みリポジトリを作成、21:13:08〜22:09:30にファイルをアップロードし、22:10:06に著者と所属を更新しました。論文の表1では、UniVTACの6タスクの平均成功率は87.5%(各100試行)です。穴への挿入95%、チューブ挿入95%、ボトルの持ち上げ78%、缶の持ち上げ88%、鍵の引き抜き94%、ボトルの棚入れ75%でした。表4では、Franka FR3の実機4タスクの平均は70.5%(各50試行)です。板の拭き取り88%、プラグ挿入38%、缶を立てる74%、キャップ外し82%でした。数値は指定された実験条件での著者報告です。
公開方策は、穴への挿入、チューブ挿入、ボトルと缶の持ち上げ、鍵の引き抜き、棚へのボトル収納、およびFranka FR3の実機4タスクを対象とします。触覚トークナイザーは主要2種類とアブレーション4種類です。HubのリポジトリにはGemmaの表示があり、方策の重みにはベースモデルの利用規約が適用されます。トークナイザーの重みと設定ファイルの個別ライセンス、およびModelScopeのシミュレーション用データへの匿名アクセスは未確認です。
評価ガイドが示す標準シード範囲は1000000〜1000099で、シミュレーターやプランナーのエラー時は次のシードを使用します。