Los investigadores proponen el preentrenamiento agnóstico a la tarea (TAP), un marco de dos etapas diseñado para abordar la escasez de demostraciones expertas en modelos Vision-Language-Action (VLA) desacoplando la competencia física del alineamiento semántico. El método primero aprende priores motores transferibles a partir de datos de interacción no etiquetados mediante un objetivo de dinámica inversa auto-supervisado, luego ancla estos priores al lenguaje utilizando datos expertos mínimos.
- TAP iguala el rendimiento de los modelos entrenados con más de 1M de trayectorias expertas mientras usa órdenes de magnitud menos datos etiquetados.
- El enfoque produce una ganancia absoluta del 10% sobre el clonamiento de comportamiento estándar en el benchmark SIMPLER.
- En una plataforma real WidowX, TAP retiene un 25% de éxito bajo perturbaciones de cámara donde las bases a escala de internet colapsan al 0%.
Esto demuestra que el preentrenamiento agnóstico a la tarea produce representaciones físicas robustas y transferibles, y ofrece un camino escalable hacia adelante para la IA Encarnada.