PhysBrain 1.5：从视觉语言模型迈向物理基础模型
PhysBrain 1.5 是一个用于理解物理环境、生成动作和预测未来状态的统一模型。它将语言响应、末端执行器运动和视觉目标编码为离散序列，并通过自回归下一词预测进行联合训练。预训练完全采用人类交互视频，随后使用人类示范、机器人轨迹和模拟经验进行监督微调。作者称，这个拥有80亿参数的开源模型在28项具身理解基准测试中平均得分72.5，并在其中14项取得开源模型最佳成绩。这些性能数据属于作者报告，仍需独立验证。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。