arXiv · 机器人与计算机视觉· Yueen Ma, Zenglin Xu, Irwin King·· 2 天前AI 评分70
3D-MoE:面向空间智能的混合专家 3D 视觉语言动作模型
3D-MoE: Towards Spatial Intelligence with Mixture-of-Experts for 3D Reasoning and Action Generation
AI 导读
该论文提出 3D-MoE,一种利用混合专家架构和模态感知概率路由的高效 3D 视觉语言模型。研究集成基于扩散的动作头 Pose-DiT,将模型转化为能生成精确 6D 姿态的 3D 视觉语言动作(VLA)模型,支持机器人操作任务。实验表明该模型在多个基准上表现优异,激活参数大幅减少且推理实时,已接受 EMNLP 2026。代码开源。
来源:arXiv · 机器人与计算机视觉 · arxiv.org