← 视觉 · 语言 · 动作 / 多任务与跨本体

正式发表 / Vision–Language–Action

CoT-VLA

CoT-VLA: Visual Chain-of-Thought Reasoning for Vision-Language-Action Models

CVPR · 2025CCF A
GitHub 未确认Stars —引用 655

快照 2026-10-28 · 引用:Semantic Scholar / arXiv 关联记录 · 代码核验依据 ↗

关键框架 FRAMEWORK
视觉子目标到动作的闭环CVPR 2025 · Fig. 2 · p.3 ↗

在生成式多模态模型中先预测子目标图像,再用完整注意力生成短动作序列,执行后观察并继续。

  1. 01生成子目标图像
  2. 02预测动作块
  3. 03执行并更新观测
CoT-VLA视觉子目标到动作的闭环
视觉子目标到动作的闭环

在生成式多模态模型中先预测子目标图像,再用完整注意力生成短动作序列,执行后观察并继续。 来源 ↗ · 打开完整图片 ↗

THE IDEA

它在解决什么

在生成式多模态模型中先预测子目标图像,再用完整注意力生成短动作序列,执行后观察并继续。

WHY READ IT

为什么放在这条路线

将中间推理显式表示为视觉子目标;这里的 chain-of-thought 主要是图像,不应写成文字思维链。

当前阶段多任务与跨本体 ↗

不同数据、本体和视觉语言知识如何共享?

READ WITH A QUESTION

读的时候,留意什么

依赖生成模型、机器人训练数据与目标图像质量;所测泛化不构成任意任务的规划正确性保证。

我的阅读笔记

LOCAL NOTES
笔记仅保存在当前浏览器