华东师范大学和上海交通大学的研究人员开发了S²-VLA,一个2B参数模型,在长时序机器人操作任务中表现优于更大的7B和8.5B模型。通过结合信念状态和自适应动态门控,S²-VLA能够动态调整其注意力机制,以关注任务不同阶段的相关信息,例如精确的视觉对齐或高级意图切换。这种方法减轻了长时序任务中常见的累积误差传播,在LIBERO-Long基准测试中成功率达到96.4%,同时显著降低了VRAM需求并提高了吞吐量。 AI
影响 证明了高效、自适应的注意力机制可以在复杂的物理交互任务中超越更大的模型,从而可能降低部署成本。
排序理由 详细介绍新模型架构及其在基准测试中性能的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →