← 视觉 · 语言 · 动作 / 动作分布与效率

正式发表 / Vision–Language–Action

DexVLA

DexVLA: Vision-Language Model with Plug-In Diffusion Expert for General Robot Control

CoRL · 2025
GitHub 未确认Stars —引用 270

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
扩散专家接入视觉语言模型CoRL 2025 · Fig. 2 · p.3 ↗

先独立预训练扩散动作专家,再接入视觉语言模型进行本体对齐与任务学习,用多动作头支持不同机器人。

  1. 01预训练动作专家
  2. 02对齐本体与视觉语言
  3. 03进行任务课程训练
DexVLA扩散专家接入视觉语言模型
扩散专家接入视觉语言模型

先独立预训练扩散动作专家,再接入视觉语言模型进行本体对齐与任务学习,用多动作头支持不同机器人。 来源 ↗ · 打开完整图片 ↗

THE IDEA

它在解决什么

先独立预训练扩散动作专家,再接入视觉语言模型进行本体对齐与任务学习,用多动作头支持不同机器人。

WHY READ IT

为什么放在这条路线

与直接用 VLM 预测离散动作的 OpenVLA 对照,它把连续生成能力交给预训练扩散专家,并安排分阶段训练。

当前阶段动作分布与效率 ↗

能量、量化、扩散与流匹配如何生成动作?

READ WITH A QUESTION

读的时候,留意什么

跨本体、少样本和推理频率结果依赖原文数据与硬件;“无需任务适配”只针对对应实验设置。

我的阅读笔记

LOCAL NOTES
笔记仅保存在当前浏览器