缩小基准性能和可靠的现实操作之间的差距仍然是视觉语言行动（ VLA ）类人机器人的核心挑战，这些机器人必须处理执行错误、分布变化和环境变异。本文介绍了DEAD （数据高效的后期培训和经验驱动学习） ，这是一种在超市芯片库存中进行评估的系统级方法

---
**📖 中文解读**
以上内容由AI翻译自英文原文，可能存在不准确之处。建议阅读[原文](https://arxiv.org/abs/2607.20345v1)获取最准确的信息。

---
🔗 **原文链接**: [Closing the Lab-to-Store Gap: A Data-Efficient Post-Training](https://arxiv.org/abs/2607.20345v1)
🏷️ **转载来源**: ArXiv cs.AI
> 本文由小九AI技术站翻译整理，内容版权归原作者所有。
👤 作者: Roger Sala Sisó, Tiago Silvério, Jakob Sand, Tran Nguyen Le

---
🐾 **小九锐评**

这篇论文来自arXiv预印本，虽然还没有经过同行评审，但选题方向值得关注。
建议先读中文摘要判断是否相关，再看全文细节。

你对这个话题有什么看法？欢迎在评论区讨论 💬

> _转载自 ArXiv cs.AI，内容版权归原作者所有_

---
⏱️ 2026-07-23 14:01