Guava：通过机器人操作工具框架将前沿视觉语言模型蒸馏为紧凑智能体

内容摘要

前沿视觉语言模型通过工具操控机器人时，反复远程调用会增加成本、延迟和外部服务依赖。作者提出Guava，研究如何将这类闭环工具使用能力蒸馏到紧凑模型，而非让小模型直接承担底层感知与控制。

其核心是教师与学生共享的操作工具框架：模型根据图像、夹爪状态和执行反馈逐步决策，工具负责感知与动作执行。作者用GPT-5.4在仿真中生成并验证2,268条交互轨迹，其中含714条扰动分支，再微调Qwen3.5-4B得到Guava-4B；扰动数据提供偏离正常执行路径后的恢复示范。

作者报告，在共享完整框架的15项仿真任务、每项30次试验中，Guava-4B总体成功率为87.1%，基础模型与教师分别为22.2%和90.4%。等量数据消融中，加入扰动轨迹使未见任务成功率由77.1%升至90.8%。在九项真机任务、每项10次试验且不做真机微调的条件下，成功率为90.0%，教师为93.3%。这些结果支持所测操作能力的蒸馏与迁移，不代表通用机器人能力。

点评

作者实验提示，共享工具接口与仿真交互经验可为紧凑操作智能体的本地部署提供路径；能力来自模型与工具系统的组合。

证据为作者论文实验，不作独立复现解读。当前工具集面向桌面操作，不涵盖手内灵巧操作或高频反应；单视角遮挡与串行决策仍限制适用范围。

原文与定位

• 原文链接 h1[2]；#S1.p2.1；#S1.p4.1；figcaption[21]；#S1.p5.1；#S2.p1.1；#S3.SS2.p1.1；#S3.SS2.p2.1；#S3.SS2.p4.1；figcaption[61]；#S5.p3.1；#S3.SS4.p1.1