摘要
针对现有视觉 - 语言 - 动作模型参数量大、内存需求高的问题,本文提出 CoTinyVLA。该模型基于 0.9B 参数骨干网,通过结构化监督而非扩大模型规模来提升鲁棒性。其核心创新包括:双视角时序输入、从 35B 教师模型蒸馏的分层思维链(生成任务级计划与片段级思考),以及指令复述增强。实验表明,CoTinyVLA 在 LIBERO-Plus 基准测试中全面超越最强的 7B 基线模型,尤其在复杂扰动下表现优异,且推理内存占用极低。
AI 推荐理由
论文核心提出分层思维链蒸馏,生成任务级计划与子动作思考,显著提升规划鲁棒性。
研究机构
忠南大学,韩国
论文信息