高效具身 AI 视觉指向：代理驱动的数据合成、跨块注意力与迭代修正

视觉指向是将语言指令映射为像素坐标的核心具身 AI 技能。本文介绍了 PointArena 2026 解决方案，整体准确率达 77.2%。该方法针对三种失败模式：首先，利用代理驱动合成构建大规模语义与锚点相对候选池；其次，建立确定性可 steer 数据流水线以生成验证数据集；最后，引入两个模型模块互补纠错：AttnRes 增加门控跨块注意力以提升可控性，ABC 修正结合视觉特征编码扰动坐标以实现通用坐标接地。