中国科学技术大学 发布 Vision-Language-Action Instruction Tuning (VLA-IT) 数据集, 应用在 机器人操控、视觉-语言处理 领域

中国科学技术大学 本次发布的数据集 Vision-Language-Action Instruction Tuning (VLA-IT), VLA-IT数据集由上海人工智能实验室创建，包含650,000个人工标注的人机交互数据，这些数据被标注了多样的指令、场景描述和问答对，并基于高质量的操控任务。数据集的创建过程采用了两阶段范式：首先进行动作预训练，然后进行视觉-语言-动作指令调整，以实现文本推理和动作生成的联合优化。VLA-IT数据集旨在解决现有视觉-语言-动作模型在任务特定操控数据上的局限性，并缓解预训练视觉-语言能力的灾难性遗忘问题。数据集的应用领域主要在机器人操控任务中，通过利用视觉-语言理解来提升操控性能，实现直观和可控的人机交互。

查看Vision-Language-Action Instruction Tuning (VLA-IT)

Dataset card 内容： 

Files and versions 内容： 

关于 中国科学技术大学 , 中国科学技术大学是中国著名的高等学府之一，位于安徽省合肥市，以培养高水平的科技人才和进行前沿科学研究为己任，是中国科学技术和教育的重要基地。

关于 arXiv , arXiv 是一个免费分发服务和开放获取的学术文章档案库，涵盖了物理学、数学、计算机科学、定量生物学、定量金融、统计学、电气工程和系统科学以及经济学等领域。该网站上的材料并未经过 arXiv 的同行评审。