ActionCodec

ActionCodec 通过优化的动作分词技术推进 VLA 模型

研究人员推出 ActionCodec，一种用于视觉-语言-动作 (VLA) 模型的新型动作分词方法。该方法侧重于优化 VLA 性能，而不仅仅是重建保真度，并确立了最大化时间分词重叠和最小化词汇冗余等设计原则。当应用于 SmolVLM2-2.2B 模型时，ActionCodec 在 LIBERO 基准测试上取得了 95.5% 的成功率，且无需先前的机器人训练，为 VLA 模型树立了新的最先进水平。