Spark-0 视觉-触觉-语言-动作模型与数据集发布

2026年10月16日，arXiv Robotics 刊出 Tianxing Chen 等作者的报道，介绍其提出的空间对齐视觉-触觉-语言-动作（VTLA）模型 Spark-0。据该报道，Spark-0 以两种互补方式使用触觉：预训练阶段，由触觉手套生成的图像空间接触图与冻结 3D 几何教师特征共同监督视觉 token，这些目标在推理时被移除，因此单一 checkpoint 同时支持纯视觉与触觉条件部署。为扩大这种监督规模，团队构建了 HumanTouch——一个 1000 小时的全手触觉人类操作数据集，并将 Spark-0 与第一视角视频、机器人数据及仿真数据一同预训练。团队同时发布 SparkArena，在同一灵巧本体上配对纯视觉仿真任务与触觉条件真机任务。目前进展停留在模型、数据集与基准的发布层面，报道未给出后续评测结果或第三方复现情况。

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。