Robota-Embed统一VLA嵌入模型发布

2026年10月15日，arXiv Robotics 刊出 Yunze Liu 等作者的论文，发布 Robota-Embed 视觉-语言-动作（VLA）嵌入模型及配套基准 Robota-Embed-Bench。据该报道，Robota-Embed 是首个在查询与未来延续中同时编码视觉、语言、动作三种模态的 VLA 嵌入模型，训练语料由 1,695,684 条清洗后的训练锚点构成；Robota-Embed-Bench 含 4,000 条查询与共享的 8,000 条条目图库，模型在该基准上取得 47.33% clip 级和 81.77% episode 级 R@1，较 Gemini Embedding 2 分别高出 22.09 和 33.47 个百分点。报道还介绍两项应用：Embed2ICL 用检索到的经验做免训练与基于训练的策略条件化，在 DROID-Sim 上成功率由 47.0% 升至 56.3%，在 LIBERO 困难子集上由 86.4% 升至 92.8%，并提升真机任务进度；Embed2Evolve 则围绕冻结的 GPT-6 Astra 策略，用执行反馈扩充任务局部记忆并改进上下文使用。上述数据与结论均来自该论文自述，尚未见独立复现或第三方验证。

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。