💻 computer science
Grounding Hierarchical Vision-Language-Action Models Through Explicit Language-Action Alignment
यह शोध पत्र एक नवीन प्रशिक्षण ढांचे का प्रस्ताव करता है जो कंट्रास्टिव मॉडलिंग और ऑफलाइन प्रेफरेंस लर्निंग के माध्यम से पदानुक्रमित विजन-लैंग्वेज-एक्शन मॉडल उप-कार्य विवरणों को दृश्य अवलोकनों और क्रिया प्रक्षेप पथों के साथ स्पष्ट रूप से संरेखित करके रोबोट पारदर्शिता को बढ़ाता है, जो महंगी एनोटेशन की आवश्यकता को कम करते हुए पूर्णतः पर्यवेक्षित फाइन-ट्यूनिंग के तुलनीय प्रदर्शन प्राप्त करता है।