PokeVLA：以世界知识引导赋能小型视觉-语言-动作模型
[Daily Paper] PokeVLA: Empowering Pocket-Sized Vision-Language-Action Model with Comprehensive World Knowledge Guidance
AI 导读
PokeVLA 通过"世界知识引导"把语义与几何表征注入 1.22B 的小型 VLA 模型，在 LIBERO-Plus 迁移设置下平均成功率 79.3%，高于 VLA-Adapter 的 59.1% 和 7B OpenVLA-OFT 的 69.6%。模型以 Qwen2.5-0.5B 为骨干、用 240 万样本预训练 PokeVLM，再经目标感知分割与 VGGT 几何对齐完成动作后训练。在 UFACTORY xArm7 的五类真实扰动实验中，其平均成功率比同规模模型高 20%。