InternVLA-A1.5: объединение понимания, латентного предвидения и действия для композиционной генерализации
InternRobotics
InternVLA-A1.5 решает проблему семантического дрейфа при обучении манипуляционным действиям роботов, сохраняя цели VQA и предсказания подзадач наряду с обучением действиям. Предсказание будущего переформулировано как латентные запросы через обучаемые токены предвидения под наблюдением замороженной модели генерации видео — это даёт политике приоры динамики мира-модели без пиксельной генерации. Предобученная на 1,2M эпизодах с роботами и 3M мультимодальных образцах, модель достигает state-of-the-art результатов на шести симуляционных бенчмарках и устойчивой композиционной генерализации на реальных роботах в режиме реального времени.
Почему это важно
Самая высокорейтинговая статья на HuggingFace Daily Papers за период 6–8 июля (463 апвоута); демонстрирует, что латентные токены предвидения от замороженных видеомоделей могут переносить приоры мира-модели в политику без вычислительных затрат на генерацию видео — практический прогресс для развёртывания на реальных роботах.
Важность: 4/5
463 апвоута на HF Daily (+1 за ≥100); SoTA на 6 симуляционных бенчмарках; практическое достижение в робототехнике с публичным кодом и весами.