跳到正文
arXiv · 机器人与计算机视觉· Ruixi Yu, Dairu Liu, Xuchuan Chen, Zekun Qi, Zekai Li, Zhuo Cao, Luyang Niu, Yingsheng Zhang, Sikai Liang, Ke Fan, He Wang, Li Yi·· 2 天前精选AI 评分80

ScaleVLA:将视觉语言动作模型扩展至 5520 亿参数

ScaleVLA: Scaling Vision-Language-Action Models to 552 Billion Parameters

AI 导读

该研究提出 ScaleVLA,通过将 552B 参数的 DeepSeek-V4.1-Flash 骨干连接可训练的动作 DiT,系统对比了从 2B 到 552B 不同规模 VLM 在机器人基础模型中的表现。

推荐理由

该报告系统验证了将前沿大模型作为 VLA 骨干的可行性,展示了在样本效率、泛化能力及灵巧操作上的显著优势。

来源:arXiv · 机器人与计算机视觉 · arxiv.org