A³-VLA预印本：注意力对齐提升VLA操作成功率

Shengzhe Zhang等作者在arXiv提交预印本，提出A³-VLA框架，用于机器人操作中视觉-语言-动作模型（VLA）的注意力对齐。作者称，动作预测目标本身缺少细粒度任务感知监督，模型容易依赖任务无关的视觉捷径，注意力偏离目标物体和关键交互区域。 该方法从操作过程本身产生的视觉变化中生成目标物体与机器人的候选区域，再用视觉分割模型离线精修，并通过注意力分配损失和对比学习损失提供显式感知引导。 作者称，在仿真和真实世界操作任务上，该框架在多个VLA骨干模型上均带来提升，各基准平均成功率提高6.5%至25.2%。该论文为预印本，尚未经同行评议，上述效果未经独立验证。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。