提出EmbodiedMidtrain中训练数据方法

Yiyang Du 等研究者提出EmbodiedMidtrain中训练数据引擎与EmbodiedMidtrain-1M数据集，用于弥合视觉语言模型（VLM）与视觉-语言-动作模型（VLA）之间的差距。作者先刻画两者数据分布差异，发现VLA数据占据与VLM分布大体分离的紧凑区域，随后用轻量可学习的邻近度估计器从大规模VLM池中筛选与VLA最对齐的候选，产出EmbodiedMidtrain-1M数据集用于中训练VLM。 论文称，在仿真机器人操作基准与真实世界任务上的实验显示，跨不同VLM骨干和VLA动作头，相比现成检查点均有一致的VLA性能提升，且这些提升延伸到未用于指导数据筛选的下游任务。作者表示将公开全部代码、数据和模型。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。