SLA: Scaling Spatial-Language-Action Model via Continual Pre-training
Noch nicht auf Deutsch verfügbar: Anzeige im englischen Original.
Aus dem Abstract
Reliable robotic manipulation requires both semantic understanding and precise control in three-dimensional space. However, vision-language-action (VLA) foundations largely inherit visual representations from 2D vision-language pre-training, while spatial supervision is often introduced only during task-specific adaptation.
Aus dem Abstract. Unsere Zusammenfassung folgt.
Der Volltext wird hier nicht wiedergegeben, weil die Lizenz der Studie das nicht erlaubt. Das Original steht auf arXiv.