跳到正文
arXiv · AI· Yiyang Du, Zhanqiu Guo, Haochen Zhang, Annabella Macaluso, Xin Ye, Liu Ren, Yonatan Bisk, Chenyan Xiong·· 2026-10-16AI 评分35

EmbodiedMidtrain:通过中训弥合 VLM 与 VLA 模型间的差距

EmbodiedMidtrain: Bridging the Gap between Vision-Language Models and Vision-Language-Action Models via Mid-training

AI 导读

EmbodiedMidtrain 提出了一种中训数据引擎,通过轻量级邻近度估计器从 VLM 数据池中筛选出最对齐 VLA 的候选数据。 该引擎构建了 EmbodiedMidtrain-1M 数据集,用于在下游 VLA 微调前对中训 VLM,实验显示其在仿真和真实机器人操控任务中均提升了 VLA 性能。 论文将发布所有代码、数据和模型,以支持未来研究。

来源:arXiv · AI · arxiv.org