触觉编码器和解码器都以视觉与已执行动作为条件,把剩余的未来触觉变化压缩为 4 个各有 16 个值的 token。训练时,这些编码用于监督编码预测头,另有接触状态预测头。部署时移除 tokenizer 和两个辅助头,动作专家仍读取三帧触觉观测生成的 60 个 token。
作者署名为上海科技大学、中国科学院工业人工智能研究所、北京大学、圣路易斯华盛顿大学和中科第五纪(项目英文署名 Beijing FiveAges Technology)。arXiv 预印本列入 2026 年 11 月 20 日批次。
台北时间 2026 年 11 月 19 日,19:27:30 提交首版代码,21:10:54 创建权重仓,21:13:08–22:09:30 上传文件,22:10:06 更新作者与机构。论文表 1报告 UniVTAC 六项平均成功率 87.5%(每项 100 回合):插孔 95%、插管 95%、提瓶 78%、提罐 88%、拔钥匙 94%、瓶子上架 75%。表 4报告 Franka FR3 真机四项平均 70.5%(每项 50 次):擦板 88%、插插头 38%、扶正易拉罐 74%、拧下瓶盖 82%。结果来自作者在指定实验条件下的评测。
七套策略权重覆盖插入孔、插入管、提起瓶子、提起罐子、拔出钥匙、把瓶子放上架,以及 Franka FR3 的四个真机任务。另有两套主要触觉 tokenizer 和四套消融。Hub 在仓库级标注 Gemma,模型卡注明策略权重适用上游条款。Tokenizer 权重与配置文件的逐文件许可仍待作者确认。官方代码指向 ModelScope 仿真示范,匿名访问尚未核实。
评估指南列出的名义随机种子范围是 1000000–1000099,仿真或规划出错时按指南用后续种子补足。