ModAR：模态自回归世界-动作模型，先去噪多模态再预测动作

研究者提出 ModAR，首个在预测动作前对多种未来模态进行自回归去噪的世界-动作模型（WAM），使每次预测都能以已生成模态为条件。实验显示预测点轨迹、DINO 特征和深度图对 WAM 有益，额外预测未来 RGB 则无稳定收益。