IXThinker·2026-06-24 14:30

港大阿里開源FineVLA 機械人動作可語言精控

機械人模型能聽懂「把杯子放進籃子」的指令，卻難以控制用哪隻手、從何角度抓取。香港大學與阿里巴巴團隊推出開源框架FineVLA，以精細動作策略建模補足空白，令視覺語言動作模型可按人類指定方式執行。

細節控制長期缺位

現有機械人模型與數據集大多只記錄任務是否完成，較少標注用哪隻手、從哪個方向接近、接觸物體哪個部位等關鍵細節。這些因素直接影響執行效果，卻長期缺乏對應的數據與方法支撐。