Skip to content
Agientry
← 标签

#视觉记忆 (2)

瀑布流分页
G0.5：单一自回归流统一机器人推理与动作

G0.5：单一自回归流统一机器人推理与动作

G0.5 用单一 Transformer 解码器在统一目标下同时生成推理与动作 token，配合跨本体动作分词器、原生思维链流与视觉记忆模块，在真机微调、BEHAVIOR、DROID、LIBERO 等 7 项基准上超越 π0.5 与 GR00T-N1.7。

Yicheng Liu, Zibin Dong, Baijun Ye · 885次阅读 · 2026年8月12日
视觉语言动作模型Galaxea
2026年8月12日
joshhhhhan/VISTAMIT

VISTA：让多模态模型直接看像素玩通 ARC-AGI-3 的视觉框架

MIT 的 VISTA 只给通用多模态模型三样东西：原始 PNG 观测、自由语言推理、无损保存全部环境帧的视觉记忆，然后让它去玩 ARC-AGI-3。以 Claude Opus 5.0 为后端时 25 个公开游戏、183 关全部通关，RHAE 满分 100，动作数比首次人类玩家少 56%；换成 GPT-5.6 Sol 也有 98.27 分——全程不做程序合成。

ARC-AGI-3具身智能
Python1700

作为亚马逊联盟会员,我们可能从符合条件的购买中获得佣金。