Concertina：将操作与认知统一于扩散VLM

2026年11月6日，arXiv Robotics 刊出 Chengcheng Wang 等作者的 Concertina 研究。报道称，作者提出并发布 Concertina 具身视觉语言模型（eVLM），其做法是把连续轨迹表示、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，使操作与认知由同一模型承载。该模型规模为 4.46B，报道称其活跃动作投影仅占 0.21% 参数，无需独立动作生成层；作为对比，报道称代表性连续 VLA 的专用动作专家容量占 16.5%-35.1%。上述参数占比与对比数据均来自该篇报道的表述，报道未给出更多实验细节或适用条件。目前事件进展停留在该论文发布与模型设计介绍层面。

AI 根据报道生成 · 2 天前更新