LEARNING
3DThinkVLA：通过3D思维引导的协同训练赋予视觉-语言-动作模型潜在3D先验
Jiaxin Shi, Xidong Zhang, Fucai Zhu, Zhe Li, Siyu Zhu, Weihao Yuan
- 发表年份
- 2026
- 访问权限
- 开放获取
摘要
本文提出了一种3D思维引导的协同训练框架，使视觉-语言-动作（VLA）模型能够在动作预测过程中隐式地进行3D空间推理。通过解耦3D几何感知与空间推理能力，并在不同特征层级注入，该框架无需修改VLM架构即可获得几何先验，并利用共享推理锚点令牌弥合提示导致的推理差距。
关键词
3D spatial reasoningvision-language-actionco-traininglatent priorsrobotics
相关论文
LEARNING
📊 8,465 引用
The Organization of Behavior
D. O. Hebb
2005
LEARNING
📊 7,678 引用
Fractional Brownian Motions, Fractional Noises and Applications
Benoît B. Mandelbrot, John W. Van Ness
1968
LEARNING
开放获取📊 7,484 引用
Review of deep learning: concepts, CNN architectures, challenges, applications, future directions
Laith Alzubaidi, Jinglan Zhang, Amjad J. Humaidi 等 10 位作者
2021
LEARNING
📊 4,608 引用
A guide to deep learning in healthcare
Andre Esteva, Alexandre Robicquet, Bharath Ramsundar 等 10 位作者
2018