具身SLM中的几何条件化：0.8B混合模型的训练控制与鲁棒性诊断
原标题：Geometry Conditioning in an Embodied SLM: Training Controls and Robustness Diagnostics in a 0.8B Hybrid Model
推荐理由
论文量化了几何条件输入对0.8B具身语言模型操作成功率的影响，为具身模型状态编码设计提供可复现的消融证据。
ROBOAIRADAR BRIEF
结构化情报
01
发生了什么
论文研究物理状态输入如何影响一个0.8B混合语言模型的机器人操作表现，可训练参数仅6.2M。作者在LIBERO-Spatial三个任务上训练六种条件，用三个随机种子、540次留出回放评估：把循环衰减门条件化于几何增量成功率为28.9%，训练时打乱几何增量升至36.7%，而无显式物体/目标几何仅24.4%。
02
为什么重要
论文量化了几何条件输入对0.8B具身语言模型操作成功率的影响，为具身模型状态编码设计提供可复现的消融证据。
信息说明
RoboAIRadar 对公开信源进行聚合、中文整理和价值判断，不替代原始报道。 涉及产品参数、交易金额或公司声明时，请以原文为准。
查看原始报道