跳到正文
热点事件持续更新

参数合并恢复 VLA 模型视觉语言能力

2 篇报道1 个报道来源4 小时前更新

先了解这件事

AI 综述

针对 VLA 模型微调后出现的灾难性遗忘问题,arXiv 论文提出一种无需重训的参数合并方法。该方法通过提取任务向量并利用奇异值分解控制适应程度,旨在同时保持动作预测与视觉语义理解能力。 实验结果显示,此方案能恢复模型在微调中下降的原有能力,且表现优于现有基线。

AI 根据报道生成 · 1 小时前更新

事件进展

2 个进展

  1. 11月20日 13:00 · 1 篇报道
    提出 State-Aware Fallback Imitation (SAFI) 方法让 VLA 模型在任务中途安全停止
    arXiv · 机器人与计算机视觉:Teaching Vision-Language-Action Models to Stop Safely
  2. 11月17日 13:00 · 1 篇报道
    通过参数合并恢复 VLM 在 VLA 模型中的能力
    arXiv · 机器人与计算机视觉:Bring Back Language to Actions:通过参数合并恢复 VLA 模型中的 VLM 能力

报道时间线

沿着报道,了解事件的不同侧面。

11月20日
  1. arXiv · 机器人与计算机视觉精选
    Teaching Vision-Language-Action Models to Stop Safely

    论文介绍 State-Aware Fallback Imitation (SAFI) 方法,旨在解决 VLA 模型在执行中途被禁止时仍完成任务或导致物体掉落的安全问题。

11月17日
  1. arXiv · 机器人与计算机视觉精选
    Bring Back Language to Actions:通过参数合并恢复 VLA 模型中的 VLM 能力

    Vision-Language-Action (VLA) 模型在微调后常出现灾难性遗忘,导致原有视觉与语义理解能力下降。本文提出一种无需重训的参数合并方法,提取任务向量并通过奇异值分解控制保留的适应程度,实验表明该方法能同时保持动作预测和视觉语言能力,且表现优于现有基线。

本事件热度走势

可比范围当前
9
可比范围峰值
911月20日 16:00
近 24 小时变化
–

趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。