VICTR：按任务进度检索演示，提升VLA成功率
热点事件持续更新
VICTR：按任务进度检索演示，提升VLA成功率
1 篇报道1 个报道来源15 小时前更新
先了解这件事
AI 综述
Luca Macesanu等作者提出 VICTR 框架，让视觉-语言-动作（VLA）模型通过上下文学习完成任务。其核心是用 In-Context Value Function Estimator（IC-VFE）估计任务相对进度，再按当前所处阶段检索对应的演示片段作为上下文。 作者报告，在未见过的域外真实世界操作任务上，VICTR 把成功率从微调 π0.5 基线的 6.2% 提升到 23.8%，任务进度率从 28.9% 提升到 55.5%，翻了一倍多。上述数字为作者在论文中的报告，针对的是域外真实操作任务这一设定。
AI 根据报道生成 · 15 小时前更新
最新进展11月9日 13:00
VICTR：用价值函数估计进度，为 VLA 模型实现上下文学习报道时间线
沿着报道，了解事件的不同侧面。
11月9日
- arXiv cs.ROVICTR：用价值函数估计进度，为 VLA 模型实现上下文学习
VICTR 提出一种面向视觉-语言-动作（VLA）模型的上下文学习框架，通过 In-Context Value Function Estimator（IC-VFE）估计任务相对进度，并据此检索对应阶段的演示片段。
本事件热度走势
- 可比范围当前
- 7
- 可比范围峰值
- 1011月9日 14:00
- 近 24 小时变化
- –
02.557.510
15:0018:0021:0011月10日03:00
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。