arXiv · 机器人与计算机视觉· Zhaoning Zhang·· 6 天前AI 评分48
AROMA:面向视觉语言模型的自适应表征导向多模态控制框架
AROMA: Adaptive Representation-Oriented Multimodal Actuation for Vision-Language Model Control
AI 导读
AROMA 是一种冻结 VLM 的控制框架,通过分离干预位置、几何增益及目标选择等维度解决因果敏感性与激活能量不匹配问题。在 Llama-3.2-11B-Vision-Instruct 上,该方法将未触碰过程数据的精确计数准确率提升 8.00 个百分点,迭代最小努力动作(MEA)达成率从冻结策略的 34.444% 提升至 38.730%。
来源:arXiv · 机器人与计算机视觉 · arxiv.org