设计了指标敏感的过程奖励函数（Metric-sensitive Process Reward），不仅关注最终预测点的准确性（结果奖励），还通过过程奖励（Accuracy Reward）对中间推理步骤的感知精度进行评估和激励。尽管现有的视觉语言模型（VLM）很强大，但在处理复杂的3D场景和根据指令动态推理交互位置方面仍存在不足。结论：实验证明，通过结合专用深度编码器（SFT）和指标敏感的过程奖励（R

设计了指标敏感的过程奖励函数（Metric-sensitive Process Reward），不仅关注最终预测点的准确性（结果奖励），还通过过程奖励（Accuracy Reward）对中间推理步骤的感知精度进行评估和激励。尽管现有的视觉语言模型（VLM）很强大，但在处理复杂的3D场景和根据指令动态推理交互位置方面仍存在不足。结论：实验证明，通过结合专用深度编码器（SFT）和指标敏感的过程奖励（R

相比之下，在“自提议（self-proposed）”的代码推理任务上训练的 AZR-Base-7B 和 AZR-Coder-7B，其数学平均分分别提升了 10.9 分和 15.2 分。这表明，强大的代码能力在经过 AZR 训练后，能够显著放大模型整体推理能力的提升。为了处理多任务环境下的高方差，它为 2 种角色（提问者/解题者）和 3 种任务类型（归纳/演绎/溯因）的组合设计了 6 个独立的基准值

因为有些信息是通识的，所以建立Shared Expert共享专家，这些专家是每个token都要过的，然后其他专业领域的专家由router进行选择，然后再加权求和。SparseMoE选择topk个专家（没有激活全部专家，所以叫sparse），然后各专家的输出进行加权求和。这个模型是由Switch Transformer论文中提出来的，其预训练速度是密集模型的7倍。用router给出各专家的权重，然后

核心思路：通过异构任务联合训练（Co-training），将互联网海量常识（Web Data）、跨本体机器人知识（Cross-Embodiment）与目标机器人的移动操作数据结合。通过层次化推理（感知。问题背景：现有的机器人模型（VLA）在受控实验室表现良好，但在复杂的真实家庭环境中面临泛化性差、无法处理长程任务（如 15 分钟的家务）以及无法理解复杂指令的挑战。感知层（Bounding Box）

核心思路：通过异构任务联合训练（Co-training），将互联网海量常识（Web Data）、跨本体机器人知识（Cross-Embodiment）与目标机器人的移动操作数据结合。通过层次化推理（感知。问题背景：现有的机器人模型（VLA）在受控实验室表现良好，但在复杂的真实家庭环境中面临泛化性差、无法处理长程任务（如 15 分钟的家务）以及无法理解复杂指令的挑战。感知层（Bounding Box）

问题背景：虽然基于行为克隆（BC）的扩散策略（Diffusion Policy）在机器人领域表现出色，但当预训练模型性能不足时，通常需要昂贵的人工演示来改进。传统的强化学习（RL）虽然能自主改进，但在高维动作空间中样本效率极低，且容易破坏扩散模型学到的先验分布，甚至。架构：使用了基于 Soft Actor-Critic (SAC) 框架的结构，包含 Actor 网络（预测噪声位移）和 Critic

研究表明，通过结合高性能的遥操作硬件和能够处理高频、精确反馈的模仿学习算法，低成本机器人也能完成复杂的精细操作任务。：通过分块，原本需要几千步才能完成的任务，在模型的视角下变成了几十个“块”的衔接。时间集成（Temporal Ensembling）：为了提高动作的平滑度，模型在每个时间步都会预测一个动作块，并对重叠部分的预测值进行加权平均。：当模型预测一个长达 100 步的动作序列时，这个序列内部

但是由于预训练数据和特定任务的分布不一致（比如预训练中是抓蓝色杯子，但是任务是抓红色杯子），导致抓取动作的概率很低。VLA提供动作分布和置信度，外部验证器利用多模态大模型（比如GPT-4V）对开放世界的理解能力，通过自然语言推理对任务和动作进行重新评估，使得正确动作的概率更高。策略引导是指的将模型输出的多种轨迹进行评估，从而选择最佳的轨迹。好处是：不需再SFT，通过初始的采样轨迹，剔除差的，保留好

已知：目前VLM在VQA，推理等方面有强大的能力，可以给出机器人的高阶指令high-level commands，需要各种controller去给出指令，无法VLM自己给出直接用于控制的低阶指令Cartesian end-effector commands。问题：想要机器人能够获得足够强大的能力，暴力的方法就是采集足够大量的数据 millions of robot interaction tria