★ 3
PAIR：打通视觉-语言-动作模型的感知与行动
论文提出 PAIR 框架，在视觉-语言-动作（VLA）模型中学习共享的感知-行动表示。训练时用掩码动作自编码器编码专家动作块，桥接模块提取任务相关特征并生成 Bridge Tokens 注入动作 token。在 LIBERO-Plus 上 VLA-Adapter 成功率从 59.1% 提升至 64…
arXiv cs.AI25 天前
#视觉语言动作模型
共 4 篇相关资讯，按重要度与时间排序，每 3 小时更新。
★ 2
KPHarness 提出知识-探测协同进化的游戏智能体执行框架
论文提出 KPHarness，通过知识探测协同进化来调整冻结视觉-语言-动作模型的外部执行框架。恢复知识提供干预假设指导主动探测，探测结果反过来精炼知识与探测策略。在 Minecraft 挖矿、战斗、合成任务上，任务覆盖率优于裸策略、固定框架和仅知识进化方案。
arXiv cs.AI12 天前
★ 2
OGPO：可恢复 VLA 模型的离线目标条件策略优化
研究者提出 OGPO 框架，将视觉-语言-动作模型的后训练从轨迹级动作模仿转向关键状态可达性学习，通过语义关键状态重标注与目标条件过程奖励提升恢复能力。在 LIBERO 与 MetaWorld 上持续优于监督微调，并在扰动基准 LIBERO-ReAct 上展现更强鲁棒性。
arXiv cs.AI21 天前
★ 2
EVLA：面向意图驱动住宅能源管理的多模态基准
该论文提出 Energy Vision-Language-Action（EVLA）基准，将住宅电池调度建模为多模态轨迹预测问题，把 RGB 能量场、数值运行状态与自然语言目标映射为 16 步电池动作序列。基准由公开住宅电力负荷数据构建，交叉三种隐藏运行机制与五种语言目标，生成约 658 万条多模态…
arXiv cs.LG34 天前