观察中

ScaleVLA将视觉-语言-动作模型扩至552B参数

报道
1
信源
1
首次报道
11/17 08:00
最近更新
11/17 08:00

论文作者提出 ScaleVLA,把 552B 参数的 DeepSeek-V4.1-Flash 主干连接到可训练的动作 DiT 上,构成视觉-语言-动作模型。作者称在统一训练设置下比较了 2B 到 552B 的视觉语言模型,以考察规模扩展对这类模型的影响。 目前公开信息只说明模型结构与比较范围,尚未给出评测结果或性能结论。

最新进展ScaleVLA 将视觉-语言-动作模型扩展到 552B 参数

热度48 小时内每个独立信源只算一次,24 小时减半

48 小时参与信源
1
6 小时新加入
0
24 小时新报道
0
热点排名
—

热度曲线会在事件持续一段时间后出现。

事件进展1 个阶段

  1. 提出552B参数视觉-语言-动作模型ScaleVLA

    Hugging Face 每日论文 等 1 篇报道

全部报道1 篇

#DeepSeek#具身智能#论文研究