RoboMamba：推理速度提升7倍，北大如何打造高效机器人多模态大模型？
北京大学团队推出RoboMamba，一款高效多模态机器人模型，旨在提升复杂任务的推理与决策能力。其核心目标是增强视觉和语言集成能力、优化微调策略，并降低训练成本。
视觉编码器
4K分辨率视觉预训练首次实现！伯克利&英伟达多模态新SOTA，更准且3倍加速处理
伯克利联合英伟达提出PS3视觉编码器，首次在4K超高分辨率下高效预训练，并引入高分辨率基准测试集4KPro。该方法显著提升了高清场景下的表现和效率。
斯坦福团队开源！OpenVLA：小白也能搞机器人，100条数据就能微调！
近期开源的OpenVLA模型通过高效的参数利用和卓越性能推动了机器人技术的发展。基于Llama 2语言模型和融合视觉编码器，它能够将自然语言指令转化为精确的机器人动作。支持在消费级GPU上进行微调，并实现高效服务。应用场景包括家庭服务机器人、工业机器人及教育研究等领域。
2025首篇关于多模态大模型在富文本图像理解上的全面研究综述
文本丰富的图像理解（TIU）涉及感知和理解两个核心能力。MLLMs通过模态对齐、指令对齐和偏好对齐等方法进行训练，并使用多样化的数据集和基准测试评估性能。