LEEVLA: Enxergando o Que Importa na Evolução do Ambiente Latente para Visão-Linguagem-Ação

arXiv:2607.08182v1 Tipo de Anúncio: novo Resumo: Os modelos de visão-linguagem-ação (VLA) buscam mapear entradas multimodais para ações de robôs. No entanto, a maioria das abordagens existentes tem dificuldade em cobrir cenários dinâmicos complexos por tratar todos os tokens visuais de maneira uniforme e raciocinar com fatores selecionados por humanos, o que carece de mecanismos para enfatizar evidências críticas para a tarefa e ignora fatores subjacentes. Para resolver esse problema, propomos o LEEVLA, uma arquitetura VLA para enxergar o que importa na Evolução do Ambiente Latente...