arXiv Robotics· Jungin Park, Chaoran Zhu, Changjae Oh, Kwanghoon Sohn·· 5 小时前AI 评分40
SPARK-VLA：面向视觉-语言-动作模型的空间表征蒸馏与知识路由
Spatial Representation Distillation and Knowledge Routing for Vision-Language-Action Models
AI 导读
SPARK-VLA 通过空间表征蒸馏与知识路由，让视觉-语言-动作模型无需推理时外部 3D 输入即可获得空间理解能力。它用冻结 3D 专家向 LoRA 视觉分支迁移 3D 理解，并用轻量知识路由器按动作损失梯度筛选动作相关视觉 token 送入语言模型。在 LIBERO、LIBERO-Plus、CALVIN 和真实机器人操作任务上，仅 0.5B 语言骨干、约 53M 可训练参数即取得强劲表现。
推荐理由模型分析
该研究针对 VLA 模型在推理时依赖显式 3D 输入或单一视觉通路的问题，提出用冻结 3D 专家蒸馏空间表征、再用轻量路由器筛选动作相关视觉 token，从而在不引入外部 3D 输入的情况下获得 3D 感知。仅 0.5B 语言骨干、约 53M 可训练参数，并在 LIBERO、CALVIN 及真机操作上报告结果，可供关注参数高效具身策略的研究者比较基线；真机效果仍限于论文实验条件。
来源：arXiv Robotics · arxiv.org