搜索结果

基础模型在语言和视觉上进展显著，但现有VLM在空间与具身理解上仍然有限，这是这份资料要处理的核心问题。它把“动作理解与生成”视为通往AGI的关键瓶颈，并据此讨论VLM如何走向具身空间。

RoboBrain 2.0 技术报告要回答的核心问题是：能不能用一个视觉-语言基础模型，把具身任务里的感知、推理和规划统一起来，并且撑得住物理环境中的复杂任务。BAAI 给出的答案是新一代具身视觉-语言基础模型 RoboBrain 2.0。

具身基础模型近来的卖点，集中在 zero-shot 泛化和通过 few-shot 后训练适应新任务这两件事上，但这条路有个绕不开的成本：训练数据主要靠真实世界采集，既贵又费人力。合成数据因此被反复提起，可它究竟能不能撑起一个动作模型，尤其是能不能只靠合成动作数据撑起来，此前很少有人把规模推到十亿帧级去正面回答。

π0.7能在陌生环境中执行多阶段指令，并实现零样本跨本体泛化，例如在未见过该任务的情况下叠衣服。；核心思想是训练时使用多样化的上下文条件，在提示中加入任务表现元数据、子目标图像等多模态信息。；因此可利用演示、含失败的自主数据和非机器人数据训练，开箱操作咖啡机的表现接近专门RL微调模型。

通往开放世界机器人的基础模型之路

决策基础模型：算法、框架与应用

面向机器人基础模型的 Δ 流匹配

面向机器人基础模型的策略对比解码

机器人基础模型中的本体差距

阶跃星辰 StepFun 官方技术报告——阶跃星辰 Step-Video-T2V 技术报告：视频基础模型的实践、挑战与未来