REKI：基于公开数据预训练的 2.4B 视觉语言动作模型

预印本摘要显示，研究者推出了完全基于公开数据预训练的 2.4B 视觉语言动作模型 REKI，在 LIBERO-Plus 等基准上表现仅落后于两倍体量模型。该模型由视觉语言模型与流匹配动作专家组成，通过在动作专家缓存中保留寄存器标记总结每帧输出以提供短期记忆，显著降低姿态振荡。研究团队已开源覆盖数据处理、训练、推理评估与部署的全套代码及模型权重。