steerable-vla

InSight提出了一种框架，用于在视觉-语言-动作（VLA）模型中实现自主技能获取。该框架通过在原始动作层面实现可操控性，并利用VLM引导的数据飞轮生成演示，从而在没有人类演示的情况下完成诸如翻转方块和倒水等操作任务。