11 月 7 日提交的 SPARK-VLA 用空间表征蒸馏与知识路由,让视觉语言动作模型学会看懂三维物理结构,推理时不需要外部几何输入,仅用约 5300 万可训练参数与 0.5B 语言骨干就在多项操作评测中取得强劲表现,代码已开源。
正文完
11 月 7 日提交的 SPARK-VLA 用空间表征蒸馏与知识路由,让视觉语言动作模型学会看懂三维物理结构,推理时不需要外部几何输入,仅用约 5300 万可训练参数与 0.5B 语言骨干就在多项操作评测中取得强劲表现,代码已开源。