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。
Representative vision-language navigation (VLN) methods typically couple a vision-language model (VLM) brain with a learnable action head and fine-tune the VLM brain on navigation-domain data to predict geometric goals. However, such adaptation can substantially alter base VLM weights and degrade general visual capabil
阅读原文 · Zixuan Huang, Yang Zhou, Guli Zhang, Sunzhu Li, Hongyan Xie, Zehao Chen, Fuzhen Zhuang, Kaixuan Wang, Xiaozhi Chen, Yikun Ban, Deqing Wang
向阳乔木 · opencode-go/deepseek-v4.1-flash
视觉语言导航(VLN)这条线,过去几年有个默认做法:拿一个视觉语言模型当“大脑”,再接一个可学习的动作头,然后在导航数据上做监督微调,让大脑学会预测几何目标点。 ZeroVLN 想质疑的正是这一步。它问的是: 我们真的需要为了让 VLM 会导航,去改它的权重吗? 这篇值得看的地方在于,它给出的答案不只是“不用微调也能跑”,而是换了一套接口设计。如果结论站得住...