ALPS：面向世界模型的视觉状态编码器

ALPS 是一个预训练视觉编码器，用同一组 patch token 统一物理状态预测、语言对齐和像素重建三项能力。作者仅用静态图像和文本从零预训练 ViT-B/16，再通过跨视角自蒸馏精修；在十五个公开编码器的统一评测中，ALPS 在 ViT-B 模型中取得最低的 LIBERO 状态探针误差，与参数量大 3.5 倍的 V-JEPA 2-L 持平。