专题：visual-language-model

GroundedPlanBench是一个创新框架，通过将机器人演示视频转化为结构化数据，帮助视觉语言模型同时学习任务规划与空间定位能力。该框架基于微软DROID数据集，结合Meta SAM3图像分割技术，构建了1,009个真实世界任务的测试场景。实验验证表明，其在复杂长时序任务中显著提升了机器人动作准确性和任务完成率，为AI在机器人操控领域的发展提供了新方…

Bedrock Robotics与AWS合作，利用视觉语言模型（VLM）自动化建筑视频数据标注，以加速自主建筑设备的开发。通过提示工程优化，VLM将工具识别准确率从34%提升至70%，且每小时处理成本仅10美元。此方案有效解决了劳动力短缺导致的数据准备瓶颈，为物理AI系统的大规模部署提供了可扩展、高效的解决方案。