arXiv · cs.AI· Jaewoo Park, Minyoung Lee, Sukmin Seo, Moonbin Yim, Hyunwook Yoon, Dohoon Ryu, Daehee Kim, Myungseo Song, Jihyuk Byun, Seunggyu Chang, Taeho Kil, Jiseob Kim, Bado Lee, Geewook Kim·· 7 小时前
研究评估多模态大模型作为通用视觉-语言-动作无人机控制智能体
Evaluating Multimodal LLMs as Generalist Vision-Language-Action Agents for Drone Control: Commanding, Approaching, Tracking and Searching
arXiv:2609.01404v2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：Jaewoo Park, Minyoung Lee, Sukmin Seo, Moonbin Yim, Hyunwook Yoon, Dohoon Ryu, Daehee Kim, Myungseo Song, Jihyuk Byun, Seunggyu Chang, Taeho Kil, Jiseob Kim, Bado Lee, Geewook Kim
研究任务与主要进展
基于论文摘要，作者提出 DroneCATS 基准，让多模态大模型独立控制无人机执行指令、接近、跟踪和搜索，并在10个模型、不同场景、模拟器、真实飞行及多无人机设置中进行评测。摘要报告，微调后的2B模型在模拟中的成功率从0%升至31%，且在真实飞行中超过前沿模型；前沿模型则受延迟影响而容易丢失移动目标，小型开放模型常未在抵达目标时宣告到达。作者计划全面开源该基准。
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