ERVLA视觉-语言-动作模型及具身CoT数据集发布

2026年10月16日，arXiv Robotics 刊出 Nan Sun 等作者的报道，研究者提出 ERVLA——一种视觉-语言-动作（VLA）模型，旨在可泛化的机器人操作中有效利用语言推理。该工作同时构建了报道所称迄今最大的具身 CoT 数据集，含 978,743 条轨迹、226.3M 样本和 2592.5 小时数据。报道称，研究发现显式 CoT 作为自回归动作前缀会因推理时误差累积而难以可靠扩展，为此采用 CoT-dropout 实现可泛化机器人操作。作者表示，代码、数据与模型检查点可在项目网站获取。目前进展为模型与数据集发布，后续跟进报道尚未出现。

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。