Concertina 把连续轨迹表示直接放进共享的扩散视觉语言模型主干。该设计让视觉语言理解与动作生成共享同一主干表示。主动动作投影只占参数的 0.21%,没有独立的动作生成层,操作与认知合用同一模型,结构更为紧凑。
正文完
Concertina 把连续轨迹表示直接放进共享的扩散视觉语言模型主干。该设计让视觉语言理解与动作生成共享同一主干表示。主动动作投影只占参数的 0.21%,没有独立的动作生成层,操作与认知合用同一模型,结构更为紧凑。