CLAP: Adaptação Direta de VLM para VLA via Ancoragem entre Linguagem e Ação

arXiv:2607.08974v1 Tipo de anúncio: novo Resumo: Os modelos de visão-linguagem-ação (VLAs) herdam capacidades semânticas de VLMs pré-treinados, mas o pós-treinamento em larga escala com dados de robôs e as modificações arquiteturais podem remodelar o backbone de forma tão extensa que se torna difícil isolar o que o VLM contribui para o controle. Converter diretamente VLMs pré-treinados em VLAs com o mínimo de mudança arquitetural oferece um caminho mais transparente para entender como as capacidades dos VLMs se transferem entre escalas de modelo...