arXiv · 机器人与计算机视觉· Xinnuo Xu·· 2026-10-06精选AI 评分78
VLAs 是否理解并适应所操作的物体?还是仅仅重放已学行为?
Do VLAs Understand and Adapt to the Objects They Handle, or Simply Replay Learned Behaviors?
AI 导读
本文探讨了视觉语言动作模型(VLA)的泛化能力是源于对物体物理属性的全局理解以适配未见场景,还是仅靠偶然鲁棒性重放已学行为。研究通过线性探测和表征相似性分析发现,在七种主流 VLA 中,质量、易碎性等物理属性比语义类别等属性更难解码;机器人预训练反而削弱了语言流中对物理属性的线性编码。
推荐理由
该研究通过线性探测与表征相似性分析,发现主流视觉语言动作模型对物体质量等物理属性的编码较弱,且在任务中难以据此调整运动策略。
来源:arXiv · 机器人与计算机视觉 · arxiv.org