arXiv · cs.AI· Yiyang Du, Zhanqiu Guo, Haochen Zhang, Annabella Macaluso, Xin Ye, Liu Ren, Yonatan Bisk, Chenyan Xiong·· 7 小时前
EmbodiedMidtrain通过中期训练弥合视觉语言模型与视觉语言动作模型差距
EmbodiedMidtrain: Bridging the Gap between Vision-Language Models and Vision-Language-Action Models via Mid-training
arXiv:2604.20012v2阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Yiyang Du, Zhanqiu Guo, Haochen Zhang, Annabella Macaluso, Xin Ye, Liu Ren, Yonatan Bisk, Chenyan Xiong
研究任务与主要进展
研究者提出EmbodiedMidtrain，通过可学习的邻近度估计器从大规模VLM数据中筛选更符合VLA分布的样本，并用其构建的EmbodiedMidtrain-1M数据集进行中期训练。基于论文摘要，该方法在模拟机器人操作基准和真实任务上，相比现成检查点在不同VLM骨干与VLA动作头下均获得一致性能提升，并将进一步发布代码、数据和模型。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org