visual-attention

本文讨论了使用第一人称视频进行机器人学习的潜在优势和挑战，指出虽然直接模仿有限，但视觉注意序列可能得以迁移。文章引用了LingBot-VLA 2.0，并呼吁进行控制实验以分离视角效应和数据量影响。

Faithful-MR1 是一个训练框架，通过 <Focus> 令牌锚定视觉注意，并利用反事实图像干预强化可信使用，从而提升多模态大语言模型（MLLM）中可信的多模态推理能力。它在使用更少训练数据的情况下，在 Qwen2.5-VL 骨干网络上的表现优于基线模型。