研究称多数 VLA 预训练后丢失底座视觉语言能力

Ville Kuosmanen 等人的研究发现,大多数视觉-语言-动作模型(VLA)在机器人预训练后会大幅丢失其底层 VLM 原有的视觉语言能力。研究者将开源 VLA 中的 VLM 权重分离出来,并在 8 个视觉语言基准上进行评测,结果证实了这一能力退化现象,提示 VLA 训练过程可能损害底座模型的通用多模态能力。

2026-11-16 ~ 2026-11-16 · 2 条相关