כתבה
arXiv cs.AI ·
VLA Grounder: אופטימיזציה של מרחב התנאים הלשוניים למודלי VLA נעולים
VLA Grounder: Language-Conditioning Space Optimization for Black-Box VLA Models
אופטימיזציה של מרחב התנאים הלשוניים למודלי VLA נעולים משפרת את ההצלחה במשימות המתבססות על הוראות.
תקציר מקורי באנגליתarXiv:2607.04517v2 Announce Type: replace Abstract: Vision-Language-Action (VLA) models are commonly treated as end-to-end action policies conditioned on natural-language task descriptions. In practice, however, their behavior often depends sharply on how the instruction is phrased, suggesting that language is not merely a task label but an optimizable conditioning input. We study whether frozen VLA policies can be improved by optimizing language space rather than updating action weights. Our method introduces a language-conditioning space policy that translates a human instruction into a short VLA-grounded command using object appearance, spatial relations, and target-grounding cues. The language-conditioning space policy is optimized with reinforcement learning from sparse task-completio
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית