ABot-N1: базовая модель визуально-языковой навигации с архитектурой slow-fast
Alibaba
Представлена архитектура slow-fast, разделяющая лингвистическое рассуждение (медленный VLM-разум) и управление движением в реальном времени (быстрый экшн-эксперт), связанные через пиксельные точки привязки как универсальный интерфейс для разных типов навигационных задач. Достигнут прирост 35% в успехе достижения городских POI и 95%+ успехов в тестах следования инструкциям в помещении и на улице; выпущены open-source бенчмарки Point-Goal и POI-Goal.
Почему это важно
Демонстрирует, что разделение рассуждения и управления движением существенно улучшает обобщение навигации; интерфейс pixel-goal обеспечивает интерпретируемость цели планировщика. Получила 51 голос на HuggingFace Daily Papers.
Важность: 3/5
Топ HuggingFace Daily Papers (51 голос); slow-fast базовая модель VLN с сильными результатами на бенчмарках