LingBot-VLA
PulseAugur coverage of LingBot-VLA — every cluster mentioning LingBot-VLA across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
FastOPD框架通过蒸馏实现轻量级VLA模型部署
研究人员开发了FastOPD，一个用于部署轻量级视觉-语言-动作（VLA）模型的新框架。该方法使用On-Policy蒸馏将大型、计算成本高昂的VLA基础模型的知识转移到更小、更高效的学生模型中。FastOPD通过适配单状态教师监督的流图并结合自洽性目标来实现这一点，理论上使学生模型能够匹配理想的少步教师模型的性能。评估显示，在推理延迟和计算成本方面有显著降低，同时保留了原始模型性能的很高百分比，并且优于现有的蒸馏基线。
-
蚂蚁集团推出 LingBot-VLA 2.0 具身人工智能挑战赛
蚂蚁集团的 LingBot 已启动首届具身大模型挑战赛，以 LingBot-VLA 2.0 开源模型为基础。本次竞赛旨在促进开发者和学术界的更广泛采用和创新。参赛者将参与模拟和现实世界任务，并有机会获得云计算支持和最终的线下黑客松。
-
LingBot-VLA基础模型推动机器人操作
研究人员开发了LingBot-VLA，一个实用的视觉-语言-动作（VLA）基础模型，专为机器人操作而设计。该模型在任务和平台之间展现出强大的泛化能力，在三个机器人平台上取得了优于竞争对手的性能。LingBot-VLA还拥有高效的代码库，可显著加快训练速度，使其适合实际部署。该项目开放了其代码、基础模型和基准数据，以促进机器人学习的进一步研究。
-
VISTA框架通过验证数据改进机器人训练
研究人员开发了VISTA，一个旨在利用真实机器人数据改进视觉-语言-动作（VLA）模型训练的框架。该框架解决了相机视角失真和人类收集的轨迹在物理上不可行等挑战。VISTA包含一个新的数据集（UMI-VQA），用于处理失真的视觉输入，以及一个验证流程，用于过滤不安全或不可能的机器人动作，从而提高策略性能。
-
机器人专家齐聚一堂，共同应对具身人工智能发展中的数据挑战
最近的一次沙龙汇聚了近200名具身人工智能领域的专家，共同探讨如何将机器人从实验室推向现实世界所面临的挑战，重点关注数据收集和模型训练。与会者指出，当前的数据收集方法效率低下且成本高昂，收集到的数据很大一部分无法用于训练。讨论还涉及了改进数据对齐、标准化评估基准的必要性，以及类似于大型语言模型中使用的预训练范例的潜力。