vlm-agents

GROW提出了一种新颖的强化学习框架，通过将轨迹分解为状态-动作对并计算它们之间的优势，将GRPO适配到多轮VLM智能体任务中，在超过800个Minecraft任务上实现了最先进的性能。

AtlasVA是一个面向视觉语言模型Agent的无教师视觉技能记忆框架，它利用空间热图、视觉示例和符号文本技能来改善长时域任务中的空间决策，在多个基准测试中优于基线方法。