AIbase
TW
模型選型
標籤
視覺語言動作模型

# 視覺語言動作模型

Jarvisvla Qwen2 VL 7B
MIT
專為《我的世界》設計的視覺-語言-動作模型，支持基於人類語言指令執行遊戲內數千種技能
圖像生成文本 Transformers 英語
J
CraftJarvis
163
8
Spatialvla 4b 224 Sft Fractal
MIT
SpatialVLA是一個視覺-語言-動作模型，通過在fractal數據集上微調得到，主要用於機器人控制任務。
文本生成圖像 Transformers 英語
S
IPEC-COMMUNITY
375
0
Spatialvla 4b 224 Sft Bridge
MIT
該模型是基於SpatialVLA模型在bridge數據集上微調得到的視覺-語言-動作模型，專為Simpler-env基準測試打造。
文本生成圖像 Transformers 英語
S
IPEC-COMMUNITY
1,066
0
Openvla 7b Oft Finetuned Libero Goal
MIT
OpenVLA-OFT是一個經過優化的視覺-語言-動作模型，通過微調技術顯著提升了基礎OpenVLA模型的性能和速度。
多模態融合 Transformers
O
moojink
579
1
Cogact Small
MIT
CogACT是一種基於視覺語言模型(VLM)衍生的新型高級視覺語言動作(VLA)架構，專為機器人操作設計。
多模態融合 Transformers 英語
C
CogACT
405
4
Cogact Large
MIT
CogACT是一種基於視覺語言模型(VLM)衍生的新型高級視覺語言動作(VLA)架構，專為機器人操作設計。
多模態融合 Transformers 英語
C
CogACT
122
3
Cogact Base
MIT
CogACT是一種新型視覺語言動作(VLA)架構，結合視覺語言模型與專用動作模塊，用於機器人操作任務。
多模態融合 Transformers 英語
C
CogACT
6,589
12
AIbase
智啟未來，您的人工智能解決方案智庫
English简体中文繁體中文にほんご
© 2025AIbase