VLAs-as-Tools：VLM智能体调度VLA工具完成长时程具身任务

论文作者团队提出VLAs-as-Tools框架：由高层视觉语言模型（VLM）智能体负责长时程具身任务中的时序推理、全局规划和恢复，专用视觉-语言-动作（VLA）工具负责多样化的局部物理操作，两者通过工具选择、执行进度反馈和事件触发重规划连接。团队还提出配套的TAPT后训练方法。 作者声称：在五个模拟基准上，该方法使pi05的成功率平均提升8.9个百分点；在数据与算力匹配的三个真实Franka机器人任务上，成功率从16.7%提升到58.3%。代码将发布。上述结果均为作者报告，尚待独立验证。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。