Badacze zaproponowali SeededGrasp, modułową ramę efektywną pod względem danych, która wykorzystuje VLM do przewidywania punktów chwytania w trybie zero-sho...
Badacze zaproponowali SeededGrasp, modułową ramę efektywną pod względem danych, która wykorzystuje
VLM do przewidywania punktów chwytania w trybie zero-shot, a następnie przekazuje je do lekkiego modelu dopasowania przepływu w celu wygenerowania konkretnych postaw chwytania, rozdzielając wysokopoziomowe wnioskowanie semantyczne od wykonania geometrycznego na niskim poziomie. Metoda ta nie wymaga treningu end-to-end, aby wspierać wiele robotów, była trenowana na syntetycznym zestawie danych obejmującym 610 chaotycznych scen, 334 obiekty i 3 rodzaje chwytaków (łącznie 2,56 miliona prób chwytania), osiągając w symulacji skuteczność 72% oraz 78% w eksperymentach rzeczywistych. Projekt udostępnił już kod i dane.
arXivLabs is a framework that allows collaborators to develop and share new arXiv features directly on our website.
Have an idea for a project that will add value for arXiv's community? Learn more about arXivLabs ：https://info.arxiv.org/labs/index.html.
Aioga 编辑摘要：研究者提出 SeededGrasp，一种数据高效的模块化框架，利用 VLM 零样本预测抓取种子点，再交由轻量级流匹配模型生成具体抓取姿态，将高层语义推理与底层几何执行解耦。 Aioga 将其归入「论文研究」方向，重点关注它对真实使用和行业竞争的影响。
背景分析：模型与研究类动态需要结合能力边界、开放方式、成本、可用性和真实任务表现判断，单项指标领先不等于已经形成稳定采用。
Aioga 判断：这条动态更适合作为行业观察信号，当前信息足以建立线索，但不足以推导长期结论。
影响分析：对相关团队而言，短期应先核对来源、可用范围和实际成本，再判断是否值得接入或跟进。 后续观察：继续观察官方文档、实际可用性、价格变化、开发者反馈和竞品回应。
当前抓取源提供的是标题、摘要、来源和原文入口，不直接搬运完整原文。完整报道请通过下方原文链接前往来源站点查看。
抓取通道: 摘要聚合 · 原始域名: arxiv.org
Źródło: HuggingFace Daily Papers（社区热门论文）
原文链接: Otwórz źródło oryginalne
Aioga 归档: 查看情报页
Content record: source-page · Updated: 2026-07-22T00:00:00.000Z
统一接入主流 AI 模型 API，为开发、测试与生产环境提供稳定调用入口。
立即访问 api.w173.com
Scan to open this articleAioga 自动聚合全球 AI 动态，并保留来源信息用于核验与引用。