arXiv · cs.RO· Jungin Park·· 3 天前精选AI 评分65
视觉-语言-动作模型的空间表示蒸馏与知识路由研究
Spatial Representation Distillation and Knowledge Routing for Vision-Language-Action Models
AI 导读
Jungin Park提出SPARK-VLA框架，通过空间表示蒸馏和知识路由技术，使视觉-语言-动作模型无需外部3D输入即可理解三维物理结构。该方法在LIBERO、LIBERO-Plus、CALVIN和实际操作任务中表现出色，仅使用0.5B语言骨干和约53M可训练参数。代码已公开。
推荐理由
仅用0.5B语言骨干和53M参数实现3D视觉-语言-模型，轻量化方案让机器人学习更高效。
来源：arXiv · cs.RO · arxiv.org