SPEAR：VLM引导机器人操作的偏好获取框架

2026年10月16日，arXiv Robotics 刊出 Zewen Wu 等作者的论文，提出 SPEAR 框架。该框架通过可区分性感知的查询选择与自适应奖励过渡两种机制，将 VLM 转化为高效的偏好预言机。据该论文称，在操作基准实验中，SPEAR 达到 88.9% 平均成功率，超越基线 23.3 个百分点，并在接触密集型任务上显著降低弃答率与训练时间；在真实硬件上，SPEAR 完全在线学习三项 Mobile ALOHA 操作任务，验证了端到端真实场景适用性。上述成功率、提升幅度及任务数量均为该论文自述的实验结果，尚未见独立复现或第三方验证的报道。

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。