arXiv · cs.AI· Benjamin Pikus·· 14 小时前AI 评分51
ZAP：27B 视觉语言模型经仿真训练实现 96.7% 真实机器人任务成功率
Pretraining Knows What, Simulation Teaches How: Compositional Generalization in a Sim-Trained Robot Agent
来源与原文
arXiv · cs.AI
作者：Benjamin Pikus
发布时间：（北京时间）
阅读原始来源 · arxiv.org ↗完整链接与内容说明
https://arxiv.org/abs/2610.35817v1
本站目前仅有 AI 导读与摘要，未展示原文正文；技术细节、代码和完整结论请查看原始来源。
AI 导读
论文提出 Zero-real Agent Policy（ZAP），用预训练 27B 视觉语言模型配合工具控制框架，在仿真任务上做监督微调和 GRPO，训练全程不使用真实机器人数据。ZAP 在真实任务上达到 96.7% 成功率，与 GPT-6 Astra 相当且运行快 3 倍、成本低 17 倍，超过 MolmoAct2 VLA 的 33.3%；对训练数据中未出现的物体、目标和语言具备组合泛化能力，并迁移到未见过的单臂 Franka 上，在 RoboLab-120 达 55.9%。
来源：arXiv · cs.AI · arxiv.org