arXiv Computer Vision· Yiyang Du, Zhanqiu Guo, Haochen Zhang, Annabella Macaluso, Xin Ye, Liu Ren, Yonatan Bisk, Chenyan Xiong·· 3 小时前AI 评分31
EmbodiedMidtrain：通过中期训练弥合 VLM 与 VLA 之间的差距
EmbodiedMidtrain: Bridging the Gap between Vision-Language Models and Vision-Language-Action Models via Mid-training
AI 导读
研究者提出 EmbodiedMidtrain，通过中期训练弥合 VLM 与 VLA 之间的数据分布差距。该方法用轻量可学习邻近度估计器从大规模 VLM 数据池中筛选与 VLA 最对齐的样本，构建 EmbodiedMidtrain-1M 数据集，在 VLA 微调前对 VLM 进行中期训练。
来源：arXiv Computer Vision · arxiv.org