Primary sourcearXiv: DeepSeek
View sourceEvent ·Official first-hand
ScaleVLA:用 552B 参数 VLM 骨干做机器人策略,LIBERO-PRO 达 45.1%
论文 ScaleVLA 将 552B 参数的 DeepSeek-V4.1-Flash 作为视觉-语言-动作(VLA)模型的骨干,接上一个可训练的动作 DiT,并在 2B 到 552B 的统一训练设置下系统对比不同规模 VLM 的机器人控制表现。 实验结果显示三项能力的提升:样本效率方面,仅用 10 条演示即达到 87.8% 成功率,超过 2B 骨干用 50 条演示的 85.6%;泛化方面,LIBERO-PRO 成功率达 45.1%,而小骨干最高为 31.3%;精细操作方面,真实插充电器任务从 4/10 提升到 9/10,增益集中在接触敏感的对齐环节。尽管规模巨大,其动作块中位延迟仍为 216 ms。 该工作论证了前沿级 VLM 可作为高效、可泛化机器人策略的表征基础,而不只是推理工具,对机器人基础模型的研究路线具有直接参考价值。
Current read
这篇论文把 552B 的 DeepSeek-V4.1-Flash 直接当机器人策略骨干用,10 条演示就打赢小模型 50 条的效果,LIBERO-PRO 也冲到 45.1%。做机器人或 VLA 方向的研究者值得对比自家 2B 骨干看看差距在哪。
3 sources61° AI heatLast updated 2026/11/16 18:59:37
Evidence
3 sourcesConflict check
Dedup data only shows that these sources discuss the same event, not that they agree. There is no structured supporting or refuting evidence yet, so no conflict is inferred automatically.