机器人 / 具身智能

S$^2$-VLA: State-Space Guided Vision-Language-Action Models for Long-Horizon Manipulation

S$^2$-VLA：面向长时程操作的基于状态空间的视觉-语言-动作模型

Zhipeng Xie, Zongyi Han, Xiangyi Wei, Shiliang Sun, Yang Li, Jing Zhao

机构 * School of Computer Science and Technology, East China Normal University（华东师范大学计算机科学与技术学院） ； State Key Laboratory of Submarine Geoscience, School of Automation and Intelligent Sensing, Shanghai Jiao Tong University（上海交通大学自动化与智能感知学院海底科学国家重点实验室） 纠错

专题命中 机器人基础模型 ：manipulation(title,abstract)；robotic(abstract)；分类 cs.RO、cs.AI

AI总结 针对长时程操作任务中累积误差导致性能下降的问题，提出S$^2$-VLA框架，通过状态空间引导的自适应注意力机制动态融合视觉、语言和动作信息，在LIBERO等基准上超越7B模型。

Comments Accepted to IJCAI 2026

SC3-Eval: Evaluating Robot Foundation Models via Self-Consistent Video Generation

SC3-Eval: 通过自洽视频生成评估机器人基础模型

Wei-Cheng Tseng, Gashon Hussein, Yuzhu Dong, Allen Z. Ren, Lucy X. Shi, XuDong Wang, Sergey Levine, Zhaoshuo Li, Jinwei Gu, Florian Shkurti, Ming-Yu Liu, Quan Vuong

机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； NVIDIA（英伟达） ； Physical Intelligence ； Stanford University（斯坦福大学） ； UC Berkeley（加州大学伯克利分校） ； Allen Institute for AI（艾伦人工智能研究所） 纠错

专题命中 机器人基础模型 ：robot foundation model(title)；manipulation(abstract)；world model(abstract)；分类 cs.RO、cs.CV

AI总结 提出SC3-Eval方法，利用前向-反向动力学一致性、跨视角一致性和测试时一致性，将预训练视频基础模型转化为准确的策略评估器，在7个真实世界策略上达到0.929的皮尔逊相关系数。

Drop-Then-Recovery: How Redundant Are Vision-Language-Action Models?

丢弃-再恢复：视觉-语言-动作模型有多冗余？

Guoheng Sun, Kaixi Feng, Shwai He, Xiaochuan Gong, Yexiao He, Ziyao Wang, Zheyu Shen, Wanghao Ye, Ramana Rao Kompella, Gaowen Liu, Ang Li

机构 * University of Maryland, College Park（马里兰大学帕克分校） ； Cisco Research（思科研究院） 纠错

专题命中 机器人基础模型 ：manipulation(abstract)；robotic(abstract)；分类 cs.RO、cs.AI

AI总结 通过提出Drop-Then-Recovery分析协议和GateProbe敏感性指标，发现VLA模型中语言骨干高度冗余，而视觉和动作路径对移除更敏感。

SpikeVLA: Vision-Language-Action Models with Spiking Neural Networks

SpikeVLA：基于脉冲神经网络的视觉-语言-动作模型

Ruiqi Song, Dujun Nie, Siyu Teng, Baiyong Ding, Xiaotong Zhang, Dong Li, Chenming Zhang, Yuchen Li, Hangbin Wu, Long Chen

专题命中 机器人基础模型 ：navigation(abstract)；robotic(abstract)；分类 cs.RO

AI总结 提出SpikeVLA，一种脉冲VLA架构，通过事件驱动稀疏计算降低能耗，在导航和机器人控制任务中保持竞争力，适用于低功耗实时具身智能。

Comments Accepted by ICML 2026. 16 pages, 9 figures

Journal ref Proceedings of the 43rd International Conference on Machine Learning, 2026

Direct Action-Head Injection of A Grounded 3D Point Unlocks Spatial and Task Generalization

直接动作头注入接地3D点实现空间与任务泛化

Shiang-Feng Tsai, Jin-Cheng Jhang, Yen-Ling Tai, Jia-Hong Lai, Shih-Yun Wong, KangTung-Hsu, Yi-Ting Chen

机构 * National Tsing Hua University（国立清华大学） ； National Yang Ming Chiao Tung University（国立阳明交通大学） 纠错

专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.RO

AI总结 提出轻量级模块，将3D点表示的接地信号通过自适应层归一化直接注入VLA模型的动作头，在LIBERO-PRO上显著提升空间和任务泛化性能。

LA4VLA: Learning to Act without Seeing via Language-Action Pretraining

LA4VLA：通过语言-动作预训练实现无视觉行动学习

Tao Lin, Yuxin Du, Yiran Mao, Zewei Ye, Yilei Zhong, Bing Cheng, Yiming Wang, Jiting Liu, Yang Tian, Junchi Yan, Feiran Wu, Zenan Meng, Hu Wei, Yuqian Fu, Gen Li, Bo Zhao

机构 * School of AI, Shanghai Jiao Tong University（上海交通大学人工智能学院） ； Alibaba Group（阿里巴巴集团） ； Nanyang Technological University（南洋理工大学） ； KAUST（阿卜杜拉国王科技大学） 纠错

专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.RO

AI总结 提出LA4VLA框架，通过语言-动作预训练学习动作先验，减少对视觉线索的依赖，提升VLA策略的鲁棒性，在仿真和真实任务中成功率显著提升。

Comments Github: https://github.com/MINT-SJTU/LA4VLA

StereoVLA: Enhancing Vision-Language-Action Models with Stereo Vision

StereoVLA：利用立体视觉增强视觉-语言-动作模型

Shengliang Deng, Mi Yan, Yixin Zheng, Jiayi Su, Wenhao Zhang, Yitao Zeng, Xiaoguang Zhao, Heming Cui, Zhizheng Zhang, He Wang

机构 * Galbot ； CFCS, School of CS, Peking University（北京大学计算机学院CFCS） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； The University of Hong Kong（香港大学） ； Xiamen University Malaysia（厦门大学马来西亚分校） ； Southern University of Science and Technology（南方科技大学） 纠错

专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.RO

AI总结 提出StereoVLA，首个利用大规模合成立体数据引入丰富几何线索的VLA模型，通过几何与语义联合编码和协同训练目标，在真实实验中成功率绝对提升33.4%，并展现出对近半球视角的鲁棒性。