Copertina

One Token Per Frame: Reconsidering Visual Bandwidth in World Models for VLA Policy

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Tang, Zuojin, Yuan, Shengchao, Bai, Xiaoxin, Jing, Zhiyuan, Ma, De, Pan, Gang, Liu, Bin
Natura:	Preprint
Pubblicazione:	2026
Soggetti:	Computer Vision and Pattern Recognition Artificial Intelligence
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

A Frame is Worth One Token: Efficient Generative World Modeling with Delta Tokens
di: Kerssies, Tommie, et al.
Pubblicazione: (2026)

Improving LLM Video Understanding with 16 Frames Per Second
di: Li, Yixuan, et al.
Pubblicazione: (2025)

VLA-IAP: Training-Free Visual Token Pruning via Interaction Alignment for Vision-Language-Action Models
di: Cheng, Jintao, et al.
Pubblicazione: (2026)

SP-VLA: A Joint Model Scheduling and Token Pruning Approach for VLA Model Acceleration
di: Li, Ye, et al.
Pubblicazione: (2025)

Compressor-VLA: Instruction-Guided Visual Token Compression for Efficient Robotic Manipulation
di: Gao, Juntao, et al.
Pubblicazione: (2025)

Weakly Supervised Point Clouds Transformer for 3D Object Detection
di: Tang, Zuojin, et al.
Pubblicazione: (2023)

VisualThink-VLA: Visual Intermediate Reasoning for Effective and Low-Latency Vision-Language-Action Policies
di: Gao, Mingjian, et al.
Pubblicazione: (2026)

OmniTokenizer: A Joint Image-Video Tokenizer for Visual Generation
di: Wang, Junke, et al.
Pubblicazione: (2024)

IVC-Prune: Revealing the Implicit Visual Coordinates in LVLMs for Vision Token Pruning
di: Sun, Zhichao, et al.
Pubblicazione: (2026)

ALAM: Algebraically Consistent Latent Action Model for Vision-Language-Action Models
di: Tang, Zuojin, et al.
Pubblicazione: (2026)

VLASCD: A Visual Language Action Model for Simultaneous Chatting and Decision Making
di: Tang, Zuojin, et al.
Pubblicazione: (2024)

Bridging the Semantic-Action Gap in Visual Token Pruning for Efficient VLA Inference
di: Liu, Ziyan, et al.
Pubblicazione: (2025)

Uni-World VLA: Interleaved World Modeling and Planning for Autonomous Driving
di: Liu, Qiqi, et al.
Pubblicazione: (2026)

Beyond the Last Layer: Multi-Layer Representation Fusion for Visual Tokenization
di: Zhu, Xuanyu, et al.
Pubblicazione: (2026)

One Token per Highly Selective Frame: Towards Extreme Compression for Long Video Understanding
di: Zhang, Zheyu, et al.
Pubblicazione: (2026)

IRL-VLA: Training an Vision-Language-Action Policy via Reward World Model
di: Jiang, Anqing, et al.
Pubblicazione: (2025)

AdaNAT: Exploring Adaptive Policy for Token-Based Image Generation
di: Ni, Zanlin, et al.
Pubblicazione: (2024)

Token Coordinated Prompt Attention is Needed for Visual Prompting
di: Liu, Zichen, et al.
Pubblicazione: (2025)

Domain-Invariant Per-Frame Feature Extraction for Cross-Domain Imitation Learning with Visual Observations
di: Kim, Minung, et al.
Pubblicazione: (2025)

Factorized Visual Tokenization and Generation
di: Bai, Zechen, et al.
Pubblicazione: (2024)

Per-Query Visual Concept Learning
di: Malca, Ori, et al.
Pubblicazione: (2025)

Sword: Style-Robust World Models as Simulators via Dynamic Latent Bootstrapping for VLA Policy Post-Training
di: Gao, Jiaxuan, et al.
Pubblicazione: (2026)

From Sim-to-Real: Toward General Event-based Low-light Frame Interpolation with Per-scene Optimization
di: Zhang, Ziran, et al.
Pubblicazione: (2024)

One-Step Effective Diffusion Network for Real-World Image Super-Resolution
di: Wu, Rongyuan, et al.
Pubblicazione: (2024)

$Δ$VLA: Prior-Guided Vision-Language-Action Models via World Knowledge Variation
di: Zhu, Yijie, et al.
Pubblicazione: (2026)

Bridging the Divide: Reconsidering Softmax and Linear Attention
di: Han, Dongchen, et al.
Pubblicazione: (2024)

TokenPacker: Efficient Visual Projector for Multimodal LLM
di: Li, Wentong, et al.
Pubblicazione: (2024)

CaTok: Taming Mean Flows for One-Dimensional Causal Image Tokenization
di: Chen, Yitong, et al.
Pubblicazione: (2026)

Devil is in Narrow Policy: Unleashing Exploration in Driving VLA Models
di: Chen, Canyu, et al.
Pubblicazione: (2026)

PLPHP: Per-Layer Per-Head Vision Token Pruning for Efficient Large Vision-Language Models
di: Meng, Yu, et al.
Pubblicazione: (2025)

Multi-Step Visual Reasoning with Visual Tokens Scaling and Verification
di: Bai, Tianyi, et al.
Pubblicazione: (2025)

Focused Forcing: Content-Aware Per-Frame KV Selection for Efficient Autoregressive Video Diffusion
di: Cai, Peiliang, et al.
Pubblicazione: (2026)

Token Bottleneck: One Token to Remember Dynamics
di: Kim, Taekyung, et al.
Pubblicazione: (2025)

Focus-Scan-Refine: From Human Visual Perception to Efficient Visual Token Pruning
di: Tong, Enwei, et al.
Pubblicazione: (2026)

PlayerOne: Egocentric World Simulator
di: Tu, Yuanpeng, et al.
Pubblicazione: (2025)

NativeTok: Native Visual Tokenization for Improved Image Generation
di: Wu, Bin, et al.
Pubblicazione: (2026)

GraSP-VLA: Graph-based Symbolic Action Representation for Long-Horizon Planning with VLA Policies
di: Neau, Maëlic, et al.
Pubblicazione: (2025)

TrackVLA: Embodied Visual Tracking in the Wild
di: Wang, Shaoan, et al.
Pubblicazione: (2025)

MUSE: Resolving Manifold Misalignment in Visual Tokenization via Topological Orthogonality
di: Yang, Panqi, et al.
Pubblicazione: (2026)

Humanoid-VLA: Towards Universal Humanoid Control with Visual Integration
di: Ding, Pengxiang, et al.
Pubblicazione: (2025)