FabriVLA: Um Modelo Visão-Linguagem-Ação Leve para Manipulação Multitarefa Precisa

arXiv:2607.08575v1 Tipo de Anúncio: novo Resumo: Apresentamos o FabriVLA, um modelo Visão-Linguagem-Ação leve para Manipulação Multitarefa Precisa. O FabriVLA combina uma espinha dorsal visão-linguagem InternVL3.5 com uma cabeça de ação por flow-matching que apresenta autoatenção com portões entre tokens de ação e fusão de camadas rasas do VLM para um contexto espacial enriquecido. O modelo é treinado por otimização conjunta em estágio único a partir de um VLM pré-treinado e de uma cabeça de ação inicializada aleatoriamente. No benchmark Meta-World MT50...