0:000:00
<p>本论文介绍了<strong>EO-1模型</strong>，这是一种用于实现<strong>通用机器人策略</strong>的视觉-语言-动作模型。该模型采用统一的<strong>解码器专用Transformer架构</strong>，旨在捕捉具身交互中视觉、文本和动作模态之间固有的<strong>时间动态和因果关系</strong>。为了训练EO-1，研究人员从大规模机器人数据集中筛选出<strong>多样化的视频</strong>，并对其进行分割和标注，以创建包括<strong>空间推理</strong>和<strong>自由对话</strong>在内的多模态数据。通过引入<strong>EO-Bench基准测试</strong>，该研究提供了对机器人<strong>具身推理能力</strong>的全面评估，涵盖了空间理解、物理常识、任务推理和状态估计等多个方面。<strong>实际世界实验</strong>表明，EO-1在各种机器人平台和任务中始终优于现有技术，尤其在<strong>长周期灵巧任务</strong>中表现出色，凸显了其在开放世界中部署的潜力。</p><p>Source: <https://arxiv.org/abs/2508.21112></p>