Dream-VL & Dream-VLA：拡散型言語モデルを基盤としたロボット工学向けビジョン・言語モデル

本論文は、拡散型大規模言語モデル（dLLM）を基盤とした、Dream-VLおよびDream-VLAという新しいビジョン・言語モデルとビジョン・言語・アクションモデルを紹介しています。主な革新点は、拡散モデルの双方向性を活用して、視覚的計画とロボット制御タスク、特にアクションチャンキングと並列生成におけるパフォーマンスを向上させている点です。著者は、いくつかのベンチマークで最先端の結果を示し、これらの分野における自己回帰モデルに対するdLLMの可能性を強調しています。モデルの公開は、さらなる研究を促進します。

• •Dream-VLとDream-VLAという、新しいビジョン・言語モデルとビジョン・言語・アクションモデルを紹介。
• •視覚的計画とロボット制御におけるパフォーマンス向上のため、拡散型大規模言語モデル（dLLM）を採用。
• •いくつかのベンチマークで最先端の結果を示し、既存のモデルを上回る。
• •アクションチャンキングと並列生成におけるdLLMの利点を強調。
• •さらなる研究を促進するためにモデルを公開。