UniWALM：视频骨干一次扩散同时完成规划、记忆与操作

UniWALM 是一种基于视频的统一 backbone，可在一次扩散推理中完成规划、记忆、决策与动作，训练数据包含动作与 VQA 数据。其双手任务记忆能力由 11% 提升至 61%，RMBench M(n) 达到 34.5%，Pick & Place 提升 13.4 个百分点；音频输出为预测的子任务（TTS）。