模态对齐

智元具身研究中心近期发布第二代一体化具身大小脑系统GenieReasoner，聚焦VLA（视觉-语言-动作）模型在语义推理与动作控制之间存在的模态对齐难题。该系统提出支持“统一离散化预训练”的模型架构，尝试在同一离散表征体系中同时学习推理与控制，并引入流匹配方法缓解传统离散Tokenizer在动作表示与控制精度上的瓶颈。相关方案旨在提升从语义理解到动作执行的连贯性与可控性，为具身智能训练与落地提供新的技术路径。