CoC-CFG提出按步调节VLA推理引导权重

论文作者提出 CoC-CFG：在策略上下文与去掉推理片段的同一上下文之间做无分类器引导，每个 Euler 步用一个权重调节推理对动作的影响，w=1 时恢复原策略。作者把权重选择建模为动作价值可精确测量的马尔可夫决策过程，并用小型 critic 拟合这些价值，提出 Q-adaptive guidance。 在 Alpasim 驾驶仿真器中，该方法在开环下优于所有固定权重和在线强化学习（SAC、GRPO）；闭环下通过 300 个场景中的 262 个，原策略为 252 个。在 Waymo 端到端驾驶基准的留出帧上，其前三个阶段优于所有固定权重、四种自适应引导方法以及 SAC、GRPO。 在隐藏测试集上，冻结的 Alpamayo 1.5 配合基于规则的相机与车辆转换及 Q-adaptive guidance，在已发表方法中取得新的最优成绩：评分者反馈得分 8.135159，此前最佳已发表方法为 8.079。以上均为作者报告的结果，论文为 arXiv 预印本。

AI 根据报道生成 · 4 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。