STVLA 给视觉 - 语言 - 动作模型加上空间几何与时序记忆,真实世界积木堆叠任务中比 π0.5 的成功率高 58.33 个百分点,框架把预训练视觉几何基础模型的特征接入时序记忆,在多项基准上平均成功率最高。
正文完
STVLA 给视觉 - 语言 - 动作模型加上空间几何与时序记忆,真实世界积木堆叠任务中比 π0.5 的成功率高 58.33 个百分点,框架把预训练视觉几何基础模型的特征接入时序记忆,在多项基准上平均成功率最高。