GPL将VLA推理状态表示为方案分布

Matteo Cercola 等人提出 Generative Plan Latent（GPL）方法，把视觉-语言-动作（VLA）模型的推理状态表示为方案上的低维条件分布（如使用哪个物体、哪种抓取或哪条路线），而非压缩成单一表示，从而在不重训 VLA 的前提下实现方案采样、按需选择和按部署结果重新加权。 论文在 SimplerEnv 操作任务上用 π₀ 测试了这三种能力，并扩展到 RoboCasa、LIBERO 和一个迷宫场景。其中，方案引导使执行遵循请求的比例从 0.48 提升到 0.94，而同样的引导施加在原生动作分布上没有可靠增益。

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。