结论

加州大学圣克鲁兹分校、加州大学圣巴巴拉分校与Google合作团队公开预印本ALPS，提出一种语言对齐、可像素解码的状态编码器。作者报告称，在统一冻结评测中，该ViT-B/16模型在LIBERO状态探针上取得同规模最低聚合误差，并以冻结表征在LIBERO策略上达到平均85.5%的成功率。这是作者在受控基准上的单次报告结论，尚未经过同行评审，也未经本站独立复现，不应视为普遍或因果事实。

研究状态与发布时间

该工作以arXiv预印本形式首次公开，版本为v1。arXiv记录的提交时间为2026年10月21日17时57分11秒UTC，换算为北京时间为2026年10月22日1时57分11秒，因此归入本次上海日历日10月22日窗口。论文共35页，含15页正文与20页补充，附13图26表。项目页与代码仓库在论文中同步给出，但因页面本身未显示可确认的当日日期，本站未将其作为 dated 证据采用，仅以arXiv摘要页与HTML全文页作为当日来源。

方法与数据范围

ALPS分两阶段训练，均只用静态图像与文本，未用视频、动作或外部视觉教师。第一阶段从零训练ViT-B/16，在DataComp-1B上以网页标题与合成标题联合训练，对同一组补丁表征同时施加对比对齐、标题生成、像素重建与跨视角稠密对应四个目标，先在128分辨率处理128亿样本，再在224分辨率处理10亿样本。第二阶段将第一阶段编码器冻结为教师，从增强裁剪的学生表征出发，以几何查询预测干净裁剪对应位置的标准化教师表征，仅重叠区域计入损失，预测器训练后丢弃。文本塔、图像投影随编码器保留，标题解码器与重建解码器等训练辅助模块在阶段结束后丢弃。

评估条件：作者在同一冻结协议下对比包括CLIP、SigLIP 2、DINOv2、DINOv3、C-RADIOv3、V-JEPA 2等在内的十五个公开编码器，覆盖LIBERO状态探针、语言对齐、像素重建、下游控制与世界模型规划。状态探针读取最近16帧冻结表征，估计当前场景状态或在给定动作下预测未来1秒与3秒状态；语言侧报告ImageNet零样本与Flickr30k图文检索；重建侧为每个编码器单独训练评估解码器，在1000张ImageNet留存图上计平均L1误差；控制侧在LIBERO四套件上训练语言条件策略；规划侧在PushT、Wall与Granular上评测。

  • 作者报告的主要结果

作者称ALPS聚合LIBERO状态探针误差为0.829，为参评ViT-B中最低，并与参数大3.5倍的V-JEPA 2-L持平；第二阶段相对第一阶段降低状态误差17%，而图文检索至多变化0.5分，作为对照，同样微调使SigLIP 2与CLIP检索下降4至12分。语言侧ALPS第一阶段Flickr图到文召回93.4%居首，ALPS为93.2%，ImageNet零样本73.4%至74.5%。重建侧ALPS第一阶段L1为0.112最优，ALPS为0.120，作者称低于所有非重建类编码器。冻结ALPS表征在LIBERO四套件平均策略成功率上，配BERT指令为83.4%，配自带文本塔为85.5%，为对比中最高。世界模型规划在PushT、Wall与Granular上领先或持平最优，且预测的未来表征可直接解码为像素用于目检。以上均为论文内的受控评测数值。

局限与不确定性

本工作为预印本，未经同行评审，结论限于论文自建的统一协议、所列十五个编码器、ViT-B/16规模与LIBERO、PushT、Wall、Granular等特定任务。训练仅用静态图文，是否推广到视频预训练、更大规模、其他机器人平台与真实长期部署，论文未证明。重建保真与规划增益的关系、检索与状态的权衡仍依赖特定解码器与探针设计。编辑解释是：局部基准领先不等于通用视觉最优，相关性与仿真规划结果不构成因果或生产可用保证，引用前需等待独立复现。

潜在意义

若后续复现成立，该路线提示单一冻结视觉表征可同时承载物理状态、语言接口与像素可检视性，有望减少世界模型与策略对多编码器拼接的依赖。但在复现与评审完成前，中国读者宜将其视为待验证的研究候选，而非可直接选型的结论。