PAIR：连接视觉-语言-动作模型的感知与动作

研究人员提出 PAIR 框架，通过构建共享中间表征连接连续动作视觉-语言-动作（VLA）模型中的感知与动作生成。该框架在 LIBERO-Plus 基准上将 VLA-Adapter 成功率从 59.1% 提升至 64.2%，CALVIN 平均完成序列长度从 4.42 增至 4.53。在 7 项真实世界任务中，PAIR 将 OpenVLA-OFT 的成功率从 51.4% 提升至 65.0%。