PLaCA：学习 patch 级未来潜变量变化以生成机器人动作

PLaCA 提出一种以未来潜变量变化为核心的世界到动作框架，直接从当前多模态输入预测空间结构化的 patch 级未来潜变量变化，并引入 patch 级变化感知监督和未来到动作接口。在 LIBERO-Long 上成功率为 79.0%，比仅动作基线提升 5.0 个百分点；在 CALVIN 上平均序列长度从 2.784 提升到 3.564。第二阶段训练仅更新 2.95% 的模型参数。