WorldVLA

WorldVLA는 알리바바 다모아카데미가 후판랩·저장대와 함께 2025년 6월 발표한 자기회귀 '행동 월드 모델'로, 로봇 행동 생성 (VLA)과 미래 영상 예측(월드 모델)을 한 모델 안에서 처리한다. 이미지 이해와 생성이 모두 되는 Chameleon에서 초기화했고, 영상은 VQ-GAN 토큰으로, 7차원 로봇 행동(위치·회전·그리퍼)은 차원마다 256구간으로 나눈 이산 토큰으로 바꿔 텍스트와 함께 다룬다. 행동 모델은 영상과 지시를 보고 행동을 내고 월드 모델은 영상과 행동으로 다음 장면을 예측하며, 연구진은 두 과제를 함께 학습하면 서로의 성능이 좋아진다고 설명한다.

또 행동을 연달아 자기회귀로 생성하면 앞 행동의 오류가 누적된다는 점을 확인하고, 이전 행동을 가리는 어텐션 마스크를 제안해 action chunking 성능을 크게 높였다고 보고했다. LIBERO 시뮬레이션 벤치마크에서는 512×512 해상도 기준 평균 성공률 81.8%로 OpenVLA(76.5%)를 앞섰다고 발표했고, 모델과 학습·평가 코드가 공개됐으며 저장소는 이후 후속작 RynnVLA-002로 이어졌다.