跳到正文

ROCKET-1

用视觉-时间上下文提示做具身决策

访问官网

rocket-1 是什么

该模型被介绍为面向开放世界环境中具身决策制定的视觉-语言模型。

你可以用它做什么

  • 用对象分割指导策略动作
  • 由因果变换器预测动作
  • 把复杂任务拆成更小步骤

需要留意什么

  • 协议使用过去与当前的观察
  • SAM-2 负责实时对象跟踪
  • 资料描述了 Minecraft 实验

优点与缺点

✓ 我们认可的地方

  • GPT-4o 与 Molmo 协同把复杂任务拆成步骤
  • Minecraft 基准测试评估零样本泛化能力

! 需要留意的地方

  • 资料所述实验在 Minecraft 内进行
  • 搭建需要代码、文档与测试环境

常见问题

使用什么协议?

资料点名视觉-时间上下文提示协议。

涉及哪个跟踪组件?

资料列出由 SAM-2 提供实时对象跟踪。

最后评测: 2026-11-15

更多 大模型 API 平台 工具

查看全部 →

评测方法