arXiv · AI· Yuri Ishitoya, Jeremy Siburian, Masashi Hamaya, Haruto Suzuki, Kuniaki Saito, Toshihiko Fukushima, Cristian C. Beltran-Hernandez, Mai Nishimura·· 16 天前AI 评分26
CLAP: 通过语言-动作接地实现 VLM 到 VLA 的直接适配
CLAP: Direct VLM-to-VLA Adaptation via Language-Action Grounding
AI 导读
提出 CLAP 方法,通过在动作序列前添加自然语言描述,以最小架构变更将 VLM 适配为 VLA。 2B 模型在 LIBERO 基准上达 90.8%,较 VLA-0 提升 14.9 分,真实 UR5e 机器人成功率从 15% 提升至 60%。 已开源 0.8B、2B 及 4B 多尺度模型,便于分析 VLM 能力迁移。
来源:arXiv · AI · arxiv.org