arXiv · cs.AI· Yusuke Takagi, Motonari Kambara, Daichi Yashima, Koki Seno, Kento Tokura, Komei Sugiura·· 11 小时前
AnolisVLA：基于深度状态空间模型的轻量级视觉-语言-动作模型用于移动操作
AnolisVLA: Lightweight Vision-Language-Action Model with Deep State Space Models for Mobile Manipulation
arXiv:2603.15046v2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：Yusuke Takagi, Motonari Kambara, Daichi Yashima, Koki Seno, Kento Tokura, Komei Sugiura
研究任务与主要进展
AnolisVLA是一种使用深度状态空间模型处理视觉和文本多模态序列的轻量级视觉-语言-动作模型，用于语言引导的机器人移动操作。基于论文摘要，该模型在模拟环境和两个真实机器人平台上评估，相比参数规模相近的SmolVLA具有更高的任务成功率、更快的推理速度和可比的GPU内存占用；在移动操作任务中，其任务成功率比30亿参数的π0.5模型高21个百分点，推理速度约快3倍。
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