Zihao Wang Muyao Li Kaichen He Xiangyu Wang Zhancun Mu Anji Liu Yitao Liang

Résumé

Le choix des espaces d’action constitue un défi crucial mais non résolu dans le développement d’agents capables et entièrement entraînables en bout à bout. Ce papier présente tout d’abord une comparaison systématique à grande échelle des espaces d’action abstraits les plus représentatifs ainsi que des tokenizers utilisés dans les modèles de type Vision-Language-Action (VLA) ou les agents hiérarchiques, dans le cadre ouvert de Minecraft. Notre analyse révèle qu’aucun espace d’action unique n’est universellement optimal ; au contraire, l’abstraction la plus efficace dépend fortement de la tâche, créant ainsi un dilemme pour la conception d’agents généralistes. Pour résoudre ce problème, nous introduisons Chain of Action (CoA), un cadre novateur qui intègre la planification de haut niveau et le contrôle de bas niveau au sein d’un seul modèle VLA monolithique. Dans CoA, une action abstraite n’est pas traitée comme une commande destinée à une politique séparée, mais comme une étape intermédiaire de raisonnement — analogue à une chaîne de pensée — qui guide la génération de l’action finale exécutable. En outre, nous démontrons qu’un agent All-in-One entraîné sur un mélange diversifié d’espaces d’action selon le paradigme CoA apprend une politique plus robuste et généralisable. Cet agent unifié atteint un nouveau record d’état de l’art, surpassant significativement les baselines spécialisées performantes en termes de taux global de réussite des tâches. Afin de favoriser la recherche reproductible, nous mettons à disposition la suite OpenHA (Open Hierarchical Agents), comprenant notre benchmark complet regroupant plus de 800 tâches distinctes, des jeux de données soigneusement sélectionnés, le code source ainsi que tous les points de contrôle des modèles préentraînés, disponibles à l’adresse suivante : [https://url]