GPT-Policy：用 VLM 上下文演示教会机器人新任务，免重训练
KyeGomezB · x · 2026-09-19
论文《In-Context Robot Learning with VLM Agents》提出 GPT-Policy 框架，把机器人学习变成「提示」而非重训练：
- 核心思路：冻结的商业 VLM（如 GPT-6 Astra）通过上下文学习适应新任务，无需梯度更新或修改任务参数。
- 框架组成：上下文编译器（保留任务相关的视觉转换）+ 提出机器人工具动作的 VLM + 受约束控制器（验证并执行每个动作并回报结果）。
- 关键发现：真机实验中，仅用人类视频演示（无机器人动作标注）即可提升任务完成率；对齐的动作参考在接触敏感任务上带来进一步提升。
- 意义：把 few-shot 学习带入物理世界，教机器人新行为可能只需给它看一个例子。
作者团队来自上海创新研究院、HUST、FDU 等多所机构。
所属事件:GPT-Policy:VLM 上下文学习让机器人免重训练学新任务(2 条相关)→
「具身」频道最新
- 一小时内"重建"特斯拉FSD？Sentdex泼冷水：难点根本不在驾驶 — teortaxesTex · 2026-09-19
- 网红 Frankie Lepenna 今晚对决机器人，人类 vs 机器人格斗开打 — cixliv · 2026-09-19
- 开发者逆向工程 Oura Ring 5，无需订阅免费取回手环数据 — JeremyNguyenPhD · 2026-09-19
- 开发者在 Founders Inc 打造草莓采摘机器人 — IsaiahBallah · 2026-09-19
- 在 IsaacSim 里仿真电磁吸盘:1360N 保持力与磁场可视化 — IsaiahBallah · 2026-09-19
- $1688 人形机器人 Nori 开放预订:面向 DIY 研究者的入门玩具 — Porespellar · 2026-09-19