Кодекс действий: что делает для хороших действий токенизаторов
arXiv: 2602,15397v2 Тип уведомления: заменить перекрестное резюме: модели Vision-Language-Action (VLA), воспользовавшиеся местной авторегрессивной парадигмой моделей зрения/лангуажа (VMD) продемонстрировали высокую эффективность обучения и подготовки. Центральное место в этой парадигме занимает символика действий, однако ее структура сосредоточена главным образом на верности реконструкции и не учитывает непосредственного воздействия на оптимизацию VLA. Следовательно, фундаментальный вопрос о formula_BAR_ textit {что означает хорошие символики действий} остается без ответа. В настоящем документе мы устраняем этот пробел путем установления принципов проектирования, конкретно с точки зрения оптимизации VLA. Мы идентифицируем набор передовых методов, основанных на научно-теоретической информации, включая максимальное временное дублирование, минимизацию избыточности словаря, расширение взаимной информации о смешанных перевозках и символическую независимость. Руководствуясь этими принципами, мы вносим текст (textbf {ActionCodec} — высокоэффективный символизатор действий, который значительно усиливает оба эти принципа.
