arXiv cs.AI· Gokul Puthumanaillam, Tao Sun, Elie Aljalbout, Moritz Reuss, Zhaoshuo Li, Fabio Ramos, Ankit Goyal, Jenai Xuning Yang·· 9 天前AI 评分41
ARC：机器人基础模型的推理配方
ARC: A Reasoning Recipe for Robot Foundation Models
AI 导读
研究者提出 ARC 推理配方，无需额外机器人演示或基础规模训练即可提升现有机器人基础模型的零样本任务表现。ARC 由推理轨迹、可扩展自动标注流程和适配预训练 RFM 的控制策略三部分组成，可从 DROID 自动构建 ARC-Trace-DROID，并让 π₀.₅ 等 VLA 与 Cosmos3-Nano-Policy 等 WAM 学会用轨迹控制。
正文 · AI 翻译
摘要：提升机器人基础模型（RFM）的主流方法依赖于更大的模型、更多的机器人演示以及大规模的高成本训练。我们表明，存在一种有效且高效的互补方法：正确的推理配方可以显著提升现有最先进 RFM 的零样本任务性能。我们将这一配方称为 ARC。它由三个关键要素组成：推理轨迹、可扩展的自动标注流水线，以及一种使预训练 RFM 适配使用这些轨迹进行控制的策略。首先，我们发现有效的推理轨迹应基于机器人的下一步动作，并解释其因果结构：为什么该动作是合适的，以及它应产生什么效果。其次，我们表明这些轨迹可以从现有演示中自动生成，使我们能够在不收集新机器人数据的情况下，从 DROID 构建 ARC-Trace-DROID。第三，我们展示了最先进的 VLA（如 $\pi_{0.5}$）和 WAM（如 Cosmos3-Nano-Policy）如何学习使用这些轨迹进行控制，并针对每种模型的架构和能力定制微调与推理。使用 ARC，我们获得了据我们所知在无需额外机器人演示或基础规模训练的情况下前所未有的零样本 RFM 性能提升。适配后的模型在 RoboLab-120 和 MolmoSpaces 上确立了新的最先进水平，在 RoboLab-Reasoning-50 上提升高达 50 个百分点。在真实机器人上，ARC 将 $\pi_{0.5}$ 的任务成功率提升了 82.2 个百分点。项目网站：this https URL
| 学科： | 机器人学（cs.RO）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.12386 [cs.RO] |
| （或 arXiv:2610.12386v1 [cs.RO] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.12386 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Gokul Puthumanaillam [查看电子邮件]
[v1]
2026年10月8日星期四 17:38:04 UTC（24,427 KB）
来源：arXiv cs.AI · arxiv.org