多数 VLA 预训练后丢失底座 VLM 的视觉语言能力

DJiafei · x · 2026-11-16

通过对开源 VLA(视觉-语言-动作模型)隔离其底座 VLM 权重并在 8 个视觉语言基准上评测,研究发现大多数 VLA 在机器人预训练后大幅丢失原 VLM 的视觉语言技能。图中数据:OpenVA 较 Prismatic 7B 掉 50.3 分;GR00T N1.7 较 Cosmos-Reason2 掉 65.3 分;G0.5 较 Qwen3.5-2B-Base 掉 33.5 分。少数例外如 π0-5 反而比底座 PaliGemma 3B 高 4.1 分,MolmoAct2 仅掉 1.5 分。模型可分为三类:近乎全失、部分保留、基本保留。这提示「通才 VLM → 专才 VLA」的能力退化仍是该领域普遍问题。

原文链接 →

「具身」频道最新

更多「具身」频道 AI 资讯 →