Newest papers

ALPS: Visual State Encoders for World Models

Yanqing Liu, Letian Zhang, Chengzhi Liu, Zijun Wang, Jieru Mei, Hongliang Fei, Yuyin Zhou, Cihang Xie · 2026 · arXiv

DOI: 10.48550/arXiv.2610.30120 · open-access PDF

Arabic

ونقول إن نموذج العالم يجعل التصوير الفوتوغرافي في الإنجازات والفعاليات.نقول إن أساسها الفوتوغرافي يجب أن يجمع المعلومات الفوتوغرافيّة واللغة الأصلية والتصوير الفوتوغرافيّ، بحيث يمكن أن يدعم التصوير الفوتوغرافيًّا واحدًا، الإرشادات والتحليلات والتحليلات، ومع ذلك، فإن المؤثرات الموجودة عادة ما تتخصص في واحدة أو اثنتين فقط من هذه القدرات؛ لذلك نقدم ALPS، مؤثرات الإنجاز الفوتوغرافيّة الممتازة التي تجمع كلّ ثلاثة في مجموعة واحدة من الأوراق الفوتوغرافيّة.إذا استخدمنا فقط الصور الفوتوغرافيّة واللغات الفوتوغرافيّة، فإننا ن

Machine translation (Meta M2M100); the English original follows.

Abstract

World models turn visual representations into predictions and actions. We argue that their visual foundation should combine physical-state information, native language alignment, and pixel reconstruction, so that a single representation can support prediction, instruction, and inspection. However, existing encoders typically specialize in only one or two of these capabilities; we therefore introduce ALPS, a pretrained visual state encoder that unifies all three in a single set of patch tokens. Using only still images and text, we pretrain a ViT-B/16 from scratch with language, reconstruction,

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange