G^3VLA：为视觉-语言-动作模型注入几何归纳偏置
G^3VLA: Geometric Inductive Bias for Vision-Language-Action Models
阅读原文
本站未展示全文，请前往来源网站阅读。
AI 导读
G^3VLA 是一种相机感知几何模块，可在不改变预训练 VLA 动作空间与学习目标的前提下，将标定相机结构注入视觉 token 流，结合内参条件射线嵌入、PRoPE 与双向跨视角融合实现多相机几何一致表征。
来源：Hugging Face Daily Papers · arxiv.org