共 2 篇
主流视觉语言模型在三件很笨的事上会翻车：给打乱的画面排序、按远近排物体、按左右排位置。这篇论文用自动生成的数据做微调，两类训练都有效，方法可以照着搭。
人手拍的视频能不能直接喂给机械臂？这篇论文把动作拆成"共享技能"和"人类特有习惯"两半，夹爪和灵巧手都从同一份预训练里受益，但只报了相对提升，没给绝对值。