FIVE-VLA 用 640M 参数跑驾驶任务，效率达 SimLingo 7.5 倍
abursuc · x · 2026-09-17
作者在 #ssad2026 演讲中展示 FIVE-VLA：一个总参数量仅 640M 的视觉-语言-动作模型，在驾驶任务上表现出色。
其效率来自几项工程设计：高分辨率图像输入、极小的视觉编码器与 LLM、记忆编码/解码器，以及更少的 token 数——最终在 T4 上比 SimLingo 高效 7.5 倍。说明驾驶场景的 VLA 未必需要大模型，架构取舍更关键。
所属事件:SSAD 研讨会详解驾驶 VLA 模型构建方法(3 条相关)→
「具身」频道最新
- Harness Pro 用 ESP32-P4 做出 AI 编码 Agent 桌面监控屏 — dee_hw · 2026-11-02
- KAIST 提出 QCP：机器人策略可实时调控执行质量 — kaist-ai · 2026-11-02
- ANYbotics 防爆四足机器人 ANYmal X 开始向客户交付，全球首个 — lukas_m_ziegler · 2026-11-02
- 影溯落地全国首个具身仿真数采中心，目标单月产 100 万小时机器人训练数据 — 智东西 · 2026-11-02
- 浙大联合 TeleAI 提出 GR-BC：从多次不完美示教中拼出更优轨迹，精细操作成功率约 91% — 机器之心 · 2026-11-02
- 内存涨价三倍，特斯拉把 Optimus 大脑内存砍掉三分之一 — aakashgupta · 2026-11-02