大型模型與 VLA

論文導讀：Octo——用 800K 條跨機器人形態軌跡訓練的開源通用策略

拆解 Octo 這個以 Transformer 為骨幹的通用機器人策略，如何用語言指令或目標影像兩種方式下達任務，並設計成能在消費級 GPU 上、幾小時內微調適配到全新感測器與動作空間的機器人平台。

論文導讀：OpenVLA——70 億參數的開源 VLA，用七分之一參數打敗 RT-2-X

拆解 OpenVLA 如何用 DINOv2 與 SigLIP 融合視覺編碼器搭配 Llama 2 語言骨幹，在 97 萬條跨機器人形態軌跡上訓練，以七分之一的參數量在 29 項任務上超越封閉的 RT-2-X。

從 RT-1 到 RT-2：機器人+大型模型的發展脈絡

RT-2 將視覺語言模型與機器人動作輸出結合，是 VLA 模型的重要里程碑。

論文導讀：SAFE——從 VLA 模型的隱藏狀態裡，直接讀出「這次任務要失敗了」

拆解 SAFE 如何從 OpenVLA、π0、π0-FAST 等 VLA 模型最後一層 transformer block 的 hidden state 裡抽取特徵，訓練一個跨任務通用的失敗偵測器，並精確定位這個抽取點在 Decoder 架構圖裡究竟對應哪一個張量。