深度分析
Causal Language‑Action Prediction (CLAP) 讓 VLM 直接轉換為高效視覺語言動作模型
視覺語言模型轉為視覺語言動作模型的挑戰在於輸出分布不匹配，CLAP透過在動作代幣前加入自然語言描述，使預訓練語意保留，同時僅需單輪微調即可在LIBERO測試中達到90.8%成功率，顯示此簡潔流程提升效能且易於分析。預期此方法將加速多模態機器人開發，降低門檻。
深度分析
視覺語言模型轉為視覺語言動作模型的挑戰在於輸出分布不匹配，CLAP透過在動作代幣前加入自然語言描述，使預訓練語意保留，同時僅需單輪微調即可在LIBERO測試中達到90.8%成功率，顯示此簡潔流程提升效能且易於分析。預期此方法將加速多模態機器人開發，降低門檻。
深度分析
本文提出以 SHAP（Shapley 解釋值）為核心的框架，量化強化學習（RL）中演算法與超參數對跨物理引擎泛化差距的貢獻。透過大量配置抽樣與雙向 MuJoCo↔PyBullet 遷移實驗，作者建立理論基礎，解析不同演算法與參數的影響模式，並以 SHAP 導向選取更健壯的設定來降低泛化差距。