待验证50% 置信事实精确时间
CondenseVLA 是一种多帧视觉-语言-动作（VLA）策略，其关键组件是解码器侧的可学习历史压缩模块。
1
来源数
50%
置信度
长期有效
时效性
2026/10/20
首次发现
来源
涉及实体
相关事实
待验证VG-Pairs 合成配对监督数据集的构建流程是：从带有多样相机运动和位姿标注的真实视频出发，将每个视频片段视为“几何一致的目标”，再用预训练的图生视频修复模型配合轨迹自适应关键帧，合成出对应的“失真版本”。69% 相似待验证生成的视频与仿真器标签共同构成可复用的多模态记忆库，支撑一套免训练（training-free）的多智能体VLM系统67% 相似待验证当前主流VLA模型通常将多路RGB图像直接拼接或按固定顺序输入策略网络，隐含假设训练和测试时相机数量、安装位置、内外参完全一致。66% 相似待验证绝大多数主流VLM（如LLaVA及各类开源多模态模型）都采用CLIP或其变体作为视觉编码器66% 相似待验证SmolVLA是HuggingFace推出的轻量级视觉-语言-动作（VLA）模型，参数量控制在可在消费级GPU上运行和微调的范围内66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1073787API
curl https://kongchang.com/api/v1/knowledge/claims/1073787MCP
get_claim(id=1073787)