主要来源arXiv: DeepSeek
查看原文事件专题 ·官方一手
ScaleVLA:用 552B 参数 VLM 骨干做机器人策略,LIBERO-PRO 达 45.1%
论文 ScaleVLA 将 552B 参数的 DeepSeek-V4.1-Flash 作为视觉-语言-动作(VLA)模型的骨干,接上一个可训练的动作 DiT,并在 2B 到 552B 的统一训练设置下系统对比不同规模 VLM 的机器人控制表现。 实验结果显示三项能力的提升:样本效率方面,仅用 10 条演示即达到 87.8% 成功率,超过 2B 骨干用 50 条演示的 85.6%;泛化方面,LIBERO-PRO 成功率达 45.1%,而小骨干最高为 31.3%;精细操作方面,真实插充电器任务从 4/10 提升到 9/10,增益集中在接触敏感的对齐环节。尽管规模巨大,其动作块中位延迟仍为 216 ms。 该工作论证了前沿级 VLM 可作为高效、可泛化机器人策略的表征基础,而不只是推理工具,对机器人基础模型的研究路线具有直接参考价值。
当前结论
这篇论文把 552B 的 DeepSeek-V4.1-Flash 直接当机器人策略骨干用,10 条演示就打赢小模型 50 条的效果,LIBERO-PRO 也冲到 45.1%。做机器人或 VLA 方向的研究者值得对比自家 2B 骨干看看差距在哪。
3 个信源61° AI 热度最后更新 2026/11/16 18:59:37
证据链
3 个信源冲突核查
现有去重数据只说明这些来源讨论同一事件,不代表立场相同。当前没有结构化的支持或反驳证据,不自动推断冲突。