热点事件持续更新

ZAP：不用真实数据训练机器人策略

1 篇报道1 个报道来源1 小时前更新

先了解这件事

AI 综述

Benjamin Pikus 等作者提出 Zero-real Agent Policy（ZAP）：让现成的小型视觉语言模型通过工具框架控制机器人，训练全程不使用真实机器人数据。作者称，ZAP 在真实任务上达到 96.7% 成功率，与 GPT-6 Astra 持平，高于 MolmoAct2 VLA 的 33.3%，且运行速度快 3 倍、成本低 17 倍。方法上，作者先用预训练的 27B 参数模型建立对世界和任务的理解与推理，再在简单仿真任务上做监督微调和 GRPO，教模型如何驱动机器人。在单臂 Franka 上，ZAP 于 RoboLab-120 取得 55.9%，比领先的 VLA/WAM 基线高 4.9 个百分点。上述成功率与对比数据均来自作者报告。

AI 根据报道生成 · 1 小时前更新

最新进展10月27日 12:00

ZAP：预训练负责理解任务，仿真训练教机器人如何动作

报道时间线

沿着报道，了解事件的不同侧面。

10月27日

12:00
arXiv cs.RO
ZAP：预训练负责理解任务，仿真训练教机器人如何动作
作者提出 Zero-real Agent Policy（ZAP），用现成的小型视觉语言模型通过工具框架控制机器人，训练中不使用任何真实机器人数据，在真实任务上达到 96.7% 成功率，与 GPT-6 Astra 持平，高于 MolmoAct2 VLA 的 33.3%，且运行速度快 3 倍、成本低 17 倍。

本事件热度走势

还没有足够的连续观测数据，暂不绘制趋势。