arXiv · 机器人与计算机视觉· Shen Ruan, Wenchang Gao, Jin Wang, Siao Liu, Zhaxizhuoma, Dongchun Ren, Xin Zheng·· 2026-10-06AI 评分72
超越分布内保持:通过脆弱性导向微调恢复量化 VLA 的泛化能力
Beyond In-Distribution Preservation: Recovering Generalization in Quantized VLAs via Vulnerability-Oriented Tuning
AI 导读
该研究系统发现后训练量化的视觉语言动作模型在环境扰动下虽保留分布内性能,但鲁棒性与泛化性显著下降。为此提出 PIVOT-Q 框架,利用冻结的全精度策略作为教师,仅对量化学生策略在 rollout 中遇到的脆弱状态进行选择性干预。实验表明该方法在七种 LIBERO-Plus 环境变化下均能恢复泛化能力,且蒸馏预算仅为全状态蒸馏的 7.4%。
来源:arXiv · 机器人与计算机视觉 · arxiv.org