跳到正文
arXiv · 机器人与计算机视觉· Yiyang Du, Zhanqiu Guo, Haochen Zhang, Annabella Macaluso, Xin Ye, Liu Ren, Yonatan Bisk, Chenyan Xiong·· 2026-10-16AI 评分75

EmbodiedMidtrain:利用中间微调弥合视觉语言模型与视觉语言动作模型的差距

EmbodiedMidtrain: Bridging the Gap between Vision-Language Models and Vision-Language-Action Models via Mid-training

AI 导读

针对现成视觉语言模型(VLM)未适配具身域导致视觉语言动作模型(VLA)性能受限的问题,本文提出 EmbodiedMidtrain 方法。研究首先刻画了 VLM 与 VLA 数据分布差异,构建了基于轻量级可学习邻近估计器的中间微调数据引擎,从中筛选出高对齐候选样本构建 EmbodiedMidtrain-1M 数据集。

来源:arXiv · 机器人与计算机视觉 · arxiv.org