arXiv Robotics· Chengcheng Wang, Wei He, Wenhao Li, Hongguang Li, Kai Han, Jianyuan Guo, Chang Xu·· 2 天前AI 评分40
Concertina：在单一扩散视觉语言模型中融合操作与认知
Concertina: Embodying Manipulation and Cognition in One Diffusion Vision-Language Model
AI 导读
Concertina 将连续轨迹表示、分块生成与物理坐标监督直接放在共享扩散 VLM 主干的计算与参数路径上，实现操作与认知同模型承载。该 4.46B 模型中活跃动作投影仅占 0.21% 参数，无需独立动作生成层，而代表性连续 VLA 的专用动作专家容量占 16.5%-35.1%。
来源：arXiv Robotics · arxiv.org