论文页面 - InternVLA-A1.5：融合理解、潜在预见与动作以实现组合泛化

来源：https://huggingface.co/papers/2607.04988

作者：

（此处省略具体作者名，按原文保留空行）

摘要

InternVLA-A1.5 将预训练的视觉-语言模型与潜在空间中的未来预测相结合，使得机器人操作在保留语义信息的同时能够高效执行长程任务。

面向机器人操作的统一模型旨在赋予单一策略两方面的能力：一是预训练 VLM 的语义先验，二是通过未来预测学到的物理动态。然而在实践中，现有设计往往会侵蚀预训练骨干网络的语义能力，遭受异构目标之间的干扰，并且必须在像素空间中从头学习未来预测，从而无法利用预训练视频生成模型中的动态先验。我们提出了 InternVLA-A1.5，该策略建立在原生 VLM 骨干网络之上，持续在 VQA 和子任务预测上进行训练，并附加了一个轻量级统一专家模块用于连续动作生成。未来预测被重构为一个潜在查询问题：通过一组可学习的“预见标记”（foresight tokens），在冻结的预训练视频生成模型的监督下，将任务相关的未来信息压缩成紧凑的潜在编码，从而使策略能够继承世界模型的动态先验，而无需学习像素级生成。视频分支在推理时被舍弃，保证了实时控制。InternVLA-A1.5 在 120 万机器人操作数据和 300 万多模态样本上进行了预训练，在所有六个仿真基准上取得了最佳整体表现。在真实世界中，保留的语义能力在未见过的指令绑定上实现了最强的组合泛化，而上述两种设计共同支撑了长程任务执行。

查看 arXiv 页面 (https://arxiv.org/abs/2607.04988) 查看 PDF (https://arxiv.org/pdf/2607.04988) 项目页面 (https://internrobotics.github.io/internvla-a15.github.io/) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2607.04988)

在您的 agent 中获取此论文：

hf papers read 2607\.04988

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型（1个）

InternRobotics/InternVLA-A1.5-base • 机器人学 • 3B • 更新于约3小时前 • 6 • 5 (https://huggingface.co/InternRobotics/InternVLA-A1.5-base)

引用此论文的数据集（0个）

暂无链接此论文的数据集

在数据集的 README.md 中引用 arxiv.org/abs/2607.04988 即可从此页面关联。

引用此论文的 Spaces（0个）

暂无链接此论文的 Space

在 Space 的 README.md 中引用 arxiv.org/abs/2607.04988 即可从此页面关联。

包含此论文的收藏集（0个）

暂无包含此论文的收藏集

将此论文添加到收藏集 (https://huggingface.co/new-collection) 即可从此页面关联。