VLA / 视觉-语言-动作模型

Robust Skills, Brittle Grounding: Diagnosing Restricted Generalization in Vision-Language Action Policies via Multi-Object Picking

稳健的技能，脆弱的接地：通过多对象拾取诊断视觉语言动作策略中的受限泛化

David Emukpere, Romain Deffayet, Jean-Michel Renders

机构 * Naver Labs Europe（纳维尔实验室欧洲） 纠错

专题命中 部署与泛化 ：VLA(abstract)；分类 cs.RO

AI总结 通过多对象拾取实验发现，视觉语言动作策略在复杂环境下执行基本操作比遵循指令更可靠，表明技能获取与指令遵循脱节，需改进基准测试以更准确诊断泛化能力。