又有人出来吐槽 VLA 了，这次是英伟达杰出研究科学家 Jim Fan。他说，VLM 是高度优化的，旨在攀登视觉问答这类基准测试的高峰。这带来了两个问题：(1) VLM 中的大部分参数用于语言和知识，而非物理理解；(2) 视觉编码器被积极调整以*丢弃*低级细节，因为问答只需要高层次的理解。但对于灵巧操作来说，微小的细节至关重要。他认为，视频世界模型作为机器人策略的预训练目标似乎更为理想。
又有人出来吐槽VLA了，这次是英伟达杰出研究科学家JimFan。他说，V
三金笑说商业
2025-12-29 18:43:54
0
阅读：0
