Помидор, которого нет: почему VLA-модели не понимают, что они держат

[Granulex]

"Помидор для них – кластер пикселей". Ровно так же раньше говорили про распознавание лиц, пока не добавили contrastive learning на temporally linked frames. VLA-модели воспроизводят тот же путь: сначала "не понимает объект", потом датасет размером в планету, потом – понимает, но как именно, никто объяснить не может.