以下为上游提供的源文稿,可能存在识别错误。
乔木转写是基于源文稿的中文提炼,不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇,慢慢读
从左侧挑一篇,正文会在这里排成书页。
Frontier Vision-Language Models (VLMs) such as GPT-6 Astra have demonstrated remarkable capabilities in robot control, suggesting that broad pretraining provides knowledge valuable for physical action. Yet most Vision-Language-Action (VLA) policies still rely on much smaller VLM backbones, leaving this potential largel
阅读原文 · Ruixi Yu, Dairu Liu, Xuchuan Chen, Zekun Qi, Zekai Li, Zhuo Cao, Luyang Niu, Yingsheng Zhang, Sikai Liang, Ke Fan, He Wang, Li Yi
向阳乔木 · opencode-go/deepseek-v4.1-flash
这篇论文值得看的地方,是它把一个很少有人在机器人策略里认真试过的变量拉到了极端: 把 VLA 的视觉语言主干从常见的 2B 级别,直接推到 552B 。 过去一两年,VLA 的主流做法是拿一个中小型 VLM 当底座,再在上面接动作头。大家默认大模型太重、太慢,不适合闭环控制。ScaleVLA 想验证的假设很直接:如果前沿规模的表征真的对物理动作有用,那这份能...