Dwell：基于视觉-语言智能体潜空间学习的强化学习框架

研究提出 Dwell 框架，将预训练视觉-语言模型重构为循环潜空间转移算子，实现智能体在潜空间的预测与行动。 该框架利用模型表征同时作为世界模型与策略，通过在线交互与潜空间想象持续改进行为，代码已公开。 在五个交互式视觉环境中，Dwell 在可训练方法中取得最强整体性能，并大幅降低想象所需的计算量。