Sergey Levine 合作团队提出 ARLI，用小 RL 策略引导大机器人基础模型

Sergey Levine 分享与 Siemens、Berkeley 合作的研究，讲解如何在实时分块（RTC）下用小型 RL 策略配合大型机器人基础模型，RL 策略因推理更快可观察到更新的图像，从而把基础模型策略引向更优行为。他引用的介绍指出，异步 VLA 推理会降低推理延迟，却破坏了强化学习微调所需的马尔可夫假设，ARLI 即针对这一问题提出，项目页为 https://async-rl-intermediate-information.github.io/ 。该工作由 Brian Zhu、Momen Khalil、Emanuele Poggi（Siemens）与 @ehharrison4（Berkeley）等人牵头。