Spotter：具身模型主导执行，VLM并行纠错
热点事件持续更新
Spotter：具身模型主导执行，VLM并行纠错
1 篇报道1 个报道来源7 小时前更新
先了解这件事
AI 综述
Long Li等作者提出Spotter框架，把具身纠错的分工反过来：具身模型持续主导执行，VLM并行运行，经轻量本地筛查器监测，只在检测到错误时介入反思纠正，再把控制权交还具身模型。作者称，当前具身模型失败后很少能自行修复，best-of-N选择也无法在失败后挑出成功候选，原因是只用成功演示训练、输入信息过窄。 在评测中，以GPT作VLM时，Spotter在RoboCasa上使Cosmos Policy和π0.5分别提升5.6和7.5个百分点；在RoboTwin 2.0的Hard设置上把π0.5从47.2%提升到57.0%，在真机上从53%提升到83%。以Qwen作VLM时，一次成功回合比单用具身模型多花13至16秒，比同一模型下VLM主导的基线少约70%时间。作者称代码已公开。上述为预印本结果，未经同行评议。
AI 根据报道生成 · 2 小时前更新
最新进展11月3日 13:00
Spotter：让具身模型主导执行、VLM 并行反思纠错报道时间线
沿着报道，了解事件的不同侧面。
11月3日
- arXiv · cs.RO精选Spotter：让具身模型主导执行、VLM 并行反思纠错
Spotter 提出反转角色分工的具身纠错框架：具身模型持续主导执行，VLM 并行运行并通过轻量本地筛查器监测，仅在检测到错误时介入反思纠正后交还控制权。作者指出当前具身模型在失败后很少能自行修复，best-of-N 选择也无法在失败后挑出成功候选，原因在于只用成功演示训练、输入信息过窄。以 Qwen 和 GPT 作为 VLM 均带来提升：用 GPT 时在 RoboCasa 上使 Cosmos Policy 和 π0.5 分别提升 5.6 和 7.5 个百分点。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。