DiVeR论文提升VLA模型测试时扩展性能
发生了什么
据Hugging Face Papers报道，研究提出DiVeR方法，通过决策关键状态重加权提升视觉-语言-动作（VLA）模型的测试时扩展性能。该方法利用动作分散度估计决策关键性，对验证器学习进行重加权，无需额外标注或交互。在LIBERO、RoboCasa及Franka Research 3机器人实验中，DiVeR有效提升了任务成功率且推理开销可忽略。
报道与来源
1 篇发布方数量不等于独立核验数量。同稿的多个入口保留在对应报道中。
- Hugging Face Papers转载
Paper page - DiVeR: Decision-Critical Verifier Learning for VLA Test-Time Scaling
来源关系与证据边界
按已记录的来源角色展示；连线仅表示原生身份流程确认的同稿入口，不表示独立佐证或跨报道引用。
- 来源报道1 个发布入口