11-19 更新 实时
首页/ 多模态/ 正文

T3R:免训练两阶段 Token 精炼提升 VLA 模型效率与鲁棒性

多模态 来源:arXiv CS/CV 2026-11-06 02:17 0 阅读 机器翻译

视觉-语言-动作(VLA)模型实现了端到端的机器人控制,但推理成本日益高昂。每一次决策都要处理数百个视觉 Token,且往往来自多个摄像头,带来可观的计算……

原文为英文,标题与摘要由机器翻译,完整内容请阅读原文。

本文为自动采集的摘要速览

全文正在由采集器补抓,稍后刷新本页即可看到完整译文;也可先前往来源站点阅读原文。

本文由采集器自动同步

原文发布于 arXiv CS/CV(T3R: Training-Free Two-Stage Token Refinement Towards Efficient and Robust VLA Models),标题、摘要与正文由机器翻译,术语按行业惯例统一,未经人工逐句校订。

阅读原文 ↗