arXiv cs.AI· Haihao Lin, Xiangsheng Huang, Xiao Yang, Weibang Zhou, Yiqi Zhang, Bo Yang, Simin Zeng, Jiawei Yang, Zhengyang Wang, Jiahui Du·· 3 天前AI 评分26
FiberTune：在视觉-语言-动作微调中保留动作纤维视觉残差
FiberTune: Preserving Action-Fiber Visual Residuals in Vision-Language-Action Fine-Tuning
AI 导读
FiberTune 是一种训练时目标，通过在线动作探针从中间视觉 token 表示中筛选动作预测方向，并用冻结视觉教师做居中方向对齐与有效秩正则，保留教师结构化视觉残差且不增加推理开销。
正文 · AI 翻译
摘要：视觉-语言-动作（VLA）策略的动作监督微调会压缩受动作目标约束较弱的视觉结构。我们将此形式化为沿局部动作纤维的残差视觉坍缩，并提出 FiberTune，一种训练时目标，可在不增加推理时开销的情况下保留教师结构化的视觉残差。FiberTune 使用在线动作探针从中间视觉 token 表示中筛选出动作预测方向。它通过与冻结视觉教师的中心化方向对齐以及有效秩正则化来保留残差。在相同训练条件下，FiberTune 在涵盖两个基准和两种架构（$\pi_{0.5}$ 和 OpenVLA-OFT）的全部六个仿真设置中，以及物理 SO-101 抓取放置任务上，均优于仅任务损失微调；代表性提升包括长时程 CALVIN ABC$\rightarrow$D 上 SR(5) 提升 +10.7 个百分点，以及物理 SO-101 任务成功率从 72.7% 提升至 78.1%。表示分析支持残差中视觉信息的保留。
| 评论： | 被 CoRL 2026 接收。项目页面：此 https URL 代码：此 https URL |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI）；机器学习（cs.LG）；机器人学（cs.RO） |
| 引用为： | arXiv:2606.08653 [cs.CV] |
| （或 arXiv:2606.08653v4 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2606.08653 由 DataCite 提供 arXiv 颁发的 DOI |
提交历史
来自：Haihao Lin [查看邮箱]
[v1]
2026年6月7日星期日 14:41:22 UTC（470 KB）
[v2]
2026年9月9日星期三 03:51:29 UTC（470 KB）
[v3]
2026年9月13日星期日 13:53:46 UTC（470 KB）
[v4]
2026年10月13日星期二 10:38:05 UTC（474 KB）
来源：arXiv cs.AI · arxiv.org