arXiv · AI· Chengcheng Wang, Wei He, Wenhao Li, Hongguang Li, Kai Han, Jianyuan Guo, Chang Xu·· 23 小时前AI 评分31
Concertina：将操控与认知融入单一扩散视觉语言模型
Concertina: Embodying Manipulation and Cognition in One Diffusion Vision-Language Model
AI 导读
研究者提出 Concertina 这一具身视觉语言模型（eVLM），将连续轨迹表征直接置于共享扩散 VLM 主干的计算与参数路径上，取代传统解耦架构。该 4.46B 模型中活跃动作投影仅占 0.21% 参数，无独立动作生成器层。
来源：arXiv · AI · arxiv.org