🚀 创新设计: DocLLM采用分离的空间注意机制，专注于边界框信息，解决文本和空间模态交汇处的复杂语义问题。
整个炒虾机器人的设计过程中，斯坦福团队综合考虑了移动、稳定性和全身远程操控等因素。他们选择了移动速度接近人类行走速度的Tracer移动底座，并在其上安装了ALOHA机械臂，实现了全身远程操控系统。此外，研究人员还注重机器人的稳定性，使其能够在操作重型物品时保持稳定。整个机器人的设计成本仅为22万元，相比其他类似机器人的价格要低廉许多。
**划重点:**LLaVA是一个端到端训练的多模态大模型，它将视觉编码器和用于通用视觉和语言理解的Vicuna相结合，具备令人印象深刻的聊天能力。而CogAgent是在CogVLM基础上改进的开源视觉语言模型，拥有110亿个视觉参数和70亿个语言参数。