RageVLA 模型在 LIBERO-PRO 基准上刷新 VLA 鲁棒性
热点事件持续更新
RageVLA 模型在 LIBERO-PRO 基准上刷新 VLA 鲁棒性
1 篇报道1 个报道来源14 小时前更新
先了解这件事
AI 综述
Amrit Lal Singh 和 Smarak Kanjilal 提出 RageVLA 模型,通过解耦感知与动作并引入数据增强,在 LIBERO-PRO 基准测试中实现了 VLA 策略的最优表现。该拥有 0.21B 参数的模型在对象移动或指令变更时仍保持高成功率,显著优于现有最佳模型。 论文于 2026 年 11 月 19 日在 arXiv 发布,作者称其研究证明了基于增强训练的感知与动作方法能有效提升机器人的鲁棒性。
AI 根据报道生成 · 13 小时前更新
最新进展11月19日 13:00
RageVLA:基于增强训练的感知与动作实现 LIBERO 任务最先进鲁棒性报道时间线
沿着报道,了解事件的不同侧面。
11月19日
- arXiv · 机器人与计算机视觉精选RageVLA:基于增强训练的感知与动作实现 LIBERO 任务最先进鲁棒性
论文提出 RageVLA 模型,通过解耦感知与动作并引入数据增强,在 LIBERO-PRO 基准上刷新了 VLA 策略的最优表现。该模型拥有 0.21B 参数,在对象移动或指令变更时仍保持高成功率,显著优于现有最佳模型。
本事件热度走势
- 可比范围当前
- 7
- 可比范围峰值
- 1011月19日 14:00
- 近 24 小时变化
- –
02.557.510
14:0016:0018:0020:0022:0011月20日02:00
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。