AFUN：把 Affordance 做進基座模型，讓機器人同時知道「在哪」與「怎麼」動

現有 affordance 研究長期分裂：定位互動區域的方法不輸出可執行動作，預測動作的方法又難以擴展。AFUN 嘗試統一這兩條線，從單張 RGB-D 影像加語言指令，同步輸出 task-conditional functional mask（互動位置）與 3D post-contact 運動曲線（互動方式）。為了追求開放世界泛化，團隊同步建立了大規模標準化資料管線。對做 embodied AI 或 VLA 的團隊，這個訊號值得關注：affordance 的研究方向正從局部任務工具走向統一、可執行的基座能力，後續若開放資料與模型權重，將直接影響機器人操作的底層建構邏輯。