视觉-语言模型（VLMs）在静态视觉输入下展现出了令人瞩目的空间推理能力，在这种情况下，回答问题所需的证据在提供的视图中是可用的。然而，在杂乱的环境中，与答案相关的证据可能是被遮挡了，而非不存在：一个物体可能躺在一堆东西下面，被另一个物体覆盖，或者带有标识信息的一面背对相机。回答这类问题需要物理交互来揭示隐藏的证据。

我们的结果表明，当采用解耦但相互协调的策略进行训练时，紧密耦合的感知与执行能够实现高效且具备泛化能力的主动操作。每次的动作token（初始带噪声的一直到第t次迭代后的）会作为输入，进入到由多个扩散模型模块组成的的部分，其中cross attention负责让动作受到当前任务和场景的指导，self attention负责让动作token之间交换信息，学习动作序列内部，经此处理后的动作token会由相