NimCritic提出动作感知量化与长程进度基准
热点事件持续更新
NimCritic提出动作感知量化与长程进度基准
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
Tianchi Xu等作者提出动作感知量化方法，并据此构建NimCritic进度模型。该方法用视觉语言模型把长程操作轨迹拆成物体级子任务，并分配加权动作信用，以刻画细粒度执行动态。 作者称，他们用VLM自动标注加人工校准，构建了800小时以上训练视频数据集，以及含19618个人工校准评估帧的长程进度基准LOOM。作者报告称，NimCritic在VPB和LOOM上与现有过程奖励模型持平或更优，在VPB的终端成功准确率上比GVL（GPT-6-Sol）高约65%；在RoboArena策略评估基准上，其检索人类选定的成功轨迹总体召回率约为97%。上述性能均为作者自述结果。
AI 根据报道生成 · 3 小时前更新
最新进展10月26日 12:00
NimCritic：动作感知量化的长程操作进度预测模型报道时间线
沿着报道，了解事件的不同侧面。
10月26日
- arXiv cs.RONimCritic：动作感知量化的长程操作进度预测模型
研究提出动作感知量化方法，用视觉语言模型把长程操作轨迹拆成物体级子任务并分配加权动作信用，构建800小时以上训练视频数据集和含19618个人工校准评估帧的LOOM基准。
本事件热度走势
- 可比范围当前
- 9
- 可比范围峰值
- 1010月26日 12:00
- 近 24 小时变化
- –
02.557.510
12:0013:0014:00
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。