跳到正文
arXiv · 机器人与计算机视觉· Chengcheng Wang, Wei He, Wenhao Li, Hongguang Li, Kai Han, Jianyuan Guo, Chang Xu·· 13 天前精选AI 评分82

Concertina:在单一扩散视觉语言模型中体现操作与认知

Concertina: Embodying Manipulation and Cognition in One Diffusion Vision-Language Model

AI 导读

论文介绍 Concertina 架构,主张将连续轨迹表示、块式生成及物理坐标监督直接置于共享扩散 VLM 骨干网络路径上,而非外挂独立动作专家。该模型仅用 0.21% 的参数实现主动动作投影,在 LIBERO-Plus 基准上达到 85.9% 成功率,CALVIN ABC-D 平均完成链长为 4.142。代码与权重已开源。

推荐理由

该工作提出将连续轨迹表示与认知统一于共享扩散骨干网络,显著降低动作生成参数占比并验证了跨时间步耦合机制。

来源:arXiv · 机器人与计算机视觉 · arxiv.org