视觉语言模型 · 文章

本地千问就能跑！具身 Agent 只纠错就够了：Spotter 用并行结构让 VLM 只在出错时出手，又快又准

具身模型（VLA）失手后很难自己改错，而让 VLM 每一步都当指挥又太慢。Spotter 反过来：具身模型一直执行，本地 Qwen 并行盯着，确认出错时才由 VLM 出手修复并反思，修完交还控制。同样步数下成功率更高，成功的回合只多十几秒，本地一个千问就能跑。