论文58

ScaleVLA 将视觉-语言-动作模型扩展到 552B 参数

原标题:ScaleVLA: Scaling Vision-Language-Action Models to 552 Billion Parameters

Hugging Face 每日论文发布时间 (北京时间)

ScaleVLA 把 552B 的 DeepSeek-V4.1-Flash 主干接到可训练的动作 DiT 上,在统一训练设置下比较 2B 到 552B 的 VLM。

来源仅允许展示摘要,全文请到原文阅读。
DeepSeek具身智能论文研究#论文/研究#具身智能#DeepSeek