← 视觉 · 语言 · 动作 / 动作分布与效率

正式发表 / Vision–Language–Action

OpenVLA-OFT

Fine-Tuning Vision-Language-Action Models: Optimizing Speed and Success

RSS · 2025

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
VLA 解码与动作目标对比OpenVLA-OFT · 原文 Fig. 2 · p.3 ↗

保留 OpenVLA 预训练基础,通过并行解码、动作分块和连续 L1 回归调整微调方式,改善速度与任务成功率。

  1. 01装入动作查询 token
  2. 02并行预测动作块
  3. 03用连续回归微调
OpenVLA-OFTVLA 解码与动作目标对比
VLA 解码与动作目标对比

保留 OpenVLA 预训练基础,通过并行解码、动作分块和连续 L1 回归调整微调方式,改善速度与任务成功率。 来源 ↗ · 打开完整图片 ↗

THE IDEA

它在解决什么

保留 OpenVLA 预训练基础,通过并行解码、动作分块和连续 L1 回归调整微调方式,改善速度与任务成功率。

WHY READ IT

为什么放在这条路线

用受控设计对比解释 VLA 的推理瓶颈,也提供连续动作不一定需要扩散采样的实例。

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

这是微调方案研究,不是重新预训练的新基础模型;收益依赖任务、硬件与动作块长度。

我的阅读笔记

LOCAL NOTES
笔记仅保存在当前浏览器