ME-VLM统一视觉语言模型论文发布

2026年10月16日，arXiv Computer Vision 出现一篇论文，介绍 MachEmbodied-VLM（ME-VLM）。据该报道，ME-VLM 是一个统一视觉语言模型，包含 4B 与 35B-A3B 两个变体，融合具身认知与多模态智能体能力；其训练流程涵盖具身能力注入、具身与多模态智能体专家的分别强化学习，以及多教师同策略蒸馏。报道还称，面向边缘部署，通过视觉 token 压缩、W4A8 量化与软硬件协同优化，4B 变体可在 M100 上实现端侧推理，预填充延迟从 400 ms 降至 188 ms。上述内容均来自该论文报道，目前尚无其他跟进报道，事件进展以该篇为准。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。