#VLM

共 4 篇相关文章

Dwell框架将VLM重构为循环潜在转移算子，让智能体在潜在空间中预测和行动，在五个交互式视觉环境中取得最强整体性能，同时大幅降低想象计算量。

StopWatch 论文指出目标接地是物体目标导航的主要失败原因，通过显式接地在六个基准上达到 SOTA，并修正了基准标注缺陷，揭示感知而非策略学习才是性能天花板。

HexaShell框架让视觉语言模型直接为机器人编写和调试代码。机器人首次抓取失败后自行生成修正脚本，十秒内完成任务。RLBench拾放任务三次尝试成功率78%，揭示VLM真实编程能力与深度估计、时序错误、令牌限制三大瓶颈。

MiniMind-V是一个开源轻量化视觉多模态大模型项目，仅需2小时即可从零训练65M参数VLM模型。本文详解其技术架构、训练流程及教育价值，适合AI初学者和研究者快速上手实践。