Ψ-0.6 推出統一視覺語言世界模型，結合文字與空間推理

研究團隊發布 Ψ-0.6，這是一個能同時處理文字、深度、動作與相機姿態的統一視覺語言世界模型。該模型透過強化學習決定何時使用何種表徵進行推理，並在複雜空間推理任務上超越現有開放權重模型。

AI 新聞雷達編輯團隊·本站收錄：2026/10/28 04:10（台灣時間）·閱讀約 2 分鐘

本站收錄時間為新聞雷達完成整理的時間，不代表事件發生時間。原文日期僅在取得明確來源證據時顯示；未標示者請參閱下方原始來源。

多模態推理能力的整合

傳統思維鏈技術僅限於文字處理，Ψ-0.6 則擴展至物理世界的對應能力。該模型能在單一架構中同時處理文字、深度資訊、動作預測、相機姿態估計以及想像場景生成。

透過強化學習機制，模型學會在不同任務情境下選擇最適用的表徵進行推理。這種自適應流程讓系統能動態決定何時使用何種資訊來源來解決問題。

在複雜空間推理基準測試 MindCube 的零樣本評估中，Ψ-0.6 超越現有領先的開放權重模型。這表明該模型在零樣本設定下具有優於現有開放權重模型的性能表現。

於 FlowBench 測試中，該模型在預測物件運動方面優於其他世界模型。這些結果顯示該模型在 FlowBench 測試中優於其他世界模型。

Ψ-0.6 主要在模擬房間環境中進行訓練，但成功遷移至真實機器人桌面操作場景。該模型能夠從模擬訓練環境遷移至真實機器人桌面場景。

該系統同時扮演感知器、視覺語言模型、世界模型、推理器與策略生成器的角色。