机器人 / 具身智能

MVP-LAM: Learning Action-Centric Latent Action via Cross-Viewpoint Reconstruction

MVP-LAM：通过跨视角重建学习以动作为中心的潜在动作

Jung Min Lee, Dohyeok Lee, Seokhun Ju, Taehyun Cho, Jin Woo Koo, Li Zhao, Sangwoo Hong, Jungwoo Lee

机构 * Seoul National University, Seoul, South Korea（首尔国立大学，首尔，韩国） ； Konkuk University, Seoul, South Korea（韩国konkuk大学，首尔，韩国） ； Microsoft Research Asia, Beijing, China（微软亚洲研究院，北京，中国） ； HodooAI Labs, Seoul, South Korea（HodooAI实验室，首尔，韩国） 纠错

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

AI总结 提出MVP-LAM模型，利用多视角视频通过跨视角重建目标学习与真实动作高度相关的潜在动作，提升动作预测和下游操作性能。

CogVLA: Cognition-Aligned Vision-Language-Action Model via Instruction-Driven Routing & Sparsification

CogVLA: 通过指令驱动路由与稀疏化实现认知对齐的视觉-语言-动作模型

Wei Li, Renshan Zhang, Rui Shao, Jie He, Liqiang Nie

机构 * School of Computer Science and Technology, Harbin Institute of Technology, Shenzhen（哈尔滨工业大学深圳校区计算机科学与技术学院） 纠错

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

AI总结 提出CogVLA框架，通过指令驱动路由和稀疏化机制，在LIBERO基准和真实机器人任务上以2.5倍训练成本降低和2.8倍推理延迟降低实现97.4%和70.0%的成功率。

Comments Accepted to NeurIPS 2025, Project Page: https://jiutian-vl.github.io/CogVLA-page

UAM: A Dual-Stream Perspective on Forgetting in VLA Training

UAM：VL A训练中遗忘的双流视角

Jianke Zhang, Yuanfei Luo, Yucheng Hu, Xiaoyu Chen, Yanjiang Guo, Ziyang Liu, Hongbin Xu, Tian Lan, Jianyu Chen

机构 * Tsinghua University（清华大学） 纠错

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

AI总结 本文提出UAM模型，通过双流架构解决VL A训练中因单一编码器导致的多模态能力下降问题，展示了通过架构分离而非冻结权重或辅助数据可实现语义保留，并在多种任务中取得高成功率。

Learn Where Outcomes Diverge: Efficient VLA RL via Probabilistic Chunk Masking

学习结果分歧之处：通过概率块掩码实现高效的VLA强化学习

Vaidehi Bagaria, Nikshep Grampurohit, Pulkit Verma

机构 * Indian Institute of Technology Madras（印度理工学院马德拉斯学院） 纠错

专题命中 机器人基础模型 ：world model(abstract)；分类 cs.RO、cs.LG

AI总结 本文提出概率块掩码（PCM），通过选择性分配梯度计算来提升GRPO-based VLA RL的效率，实现更快的训练速度和更低的内存消耗。

RePO-VLA: Recovery-Driven Policy Optimization for Vision-Language-Action Models

RePO-VLA：面向视觉-语言-动作模型的恢复驱动策略优化

Weijia Liufu, Xiaoyu Guo, Ruiyi Chen, Jingzhi Liu, Kaidong Zhang, Xiwen Liang, Jianqi Lin, Dawei Sun, Yuze Wang, Rongtao Xu, Bingqian Lin, Bowen Yang, Tongtong Cao, Bowen Peng, Dongyu Zhang, Guangrun Wang, Min Wang, Liang Lin, Xiaodan Liang

机构 * Sun Yat-sen University（中山大学） ； South China University of Technology（华南理工大学） ； Peng Cheng Laboratory（鹏城实验室） ； Harbin Institute of Technology（哈尔滨工业大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Huawei Noah’s Ark Lab（华为诺亚实验室） 纠错

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

AI总结 本文提出RePO-VLA框架，通过恢复驱动策略优化提升视觉-语言-动作模型在长时程接触丰富操作中的鲁棒性，通过恢复意识初始化、进度感知语义价值函数和价值条件细化等方法，提高对抗成功率。

Towards Backdoor-Based Ownership Verification for Vision-Language-Action Models

面向视觉-语言-动作模型的后门基于所有权验证

Ming Sun, Rui Wang, Xingrui Yu, Lihua Jing, Hangyu Du, Zhenglin Wan, Xu Pan, Ivor Tsang

机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络安全学院） ； A*STAR Institute of High Performance Computing (A*STAR IHPC)（新加坡A*STAR高性能计算研究所） ； A*STAR Centre for Frontier AI Research (A*STAR CFAR)（新加坡A*STAR前沿人工智能研究中心） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算机与数据科学学院） ； College of Design and Engineering, Nanyang Technological University（南洋理工大学设计与工程学院） ； Department of Computer Science, National University of Singapore（新加坡国立大学计算机科学系） ； State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing (LIESMARS), Wuhan University（武汉大学测绘遥感信息工程国家重点实验室（LIESMARS）） 纠错

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

AI总结 本文提出GuardVLA，首个针对视觉-语言-动作模型的后门基于所有权验证框架，通过在训练中嵌入隐蔽无害的后门水印，实现可靠的模型所有权验证并保持正常任务性能。

Xiaomi OneVL: One-Step Latent Reasoning and Planning with Vision-Language Explanation

小米OneVL：基于视觉-语言解释的一步潜在推理与规划

Jinghui Lu, Jiayi Guan, Zhijian Huang, Jinlong Li, Guang Li, Lingdong Kong, Yingyan Li, Han Wang, Shaoqing Xu, Yuechen Luo, Fang Li, Chenxu Dang, Junli Wang, Tao Xu, Jing Wu, Jianhua Wu, Xiaoshuai Hao, Wen Zhang, Tianyi Jiang, Lingfeng Zhang, Lei Zhou, Yingbo Tang, Jie Wang, Yinfeng Gao, Xizhou Bu, Haochen Tian, Yihang Qiu, Feiyang Jia, Lin Liu, Yigu Ge, Hanbing Li, Yuannan Shen, Jianwei Cui, Hongwei Xie, Bing Wang, Haiyang Sun, Jingwei Zhao, Jiahui Huang, Pei Liu, Zeyu Zhu, Yuncheng Jiang, Zibin Guo, Chuhong Gong, Hanchao Leng, Kun Ma, Naiyan Wang, Guang Chen, Kuiyuan Yang, Hangjun Ye, Long Chen

机构 * Xiaomi Embodied Intelligence Team（小米具身智能团队） 纠错

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

AI总结 OneVL通过双重辅助解码器监督的紧凑潜在标记，实现了视觉-语言解释的一步潜在推理与规划，首次在延迟条件下超越了显式推理方法。

Comments Technical Report; 49 pages, 22 figures, 10 tables; Project Page at https://xiaomi-embodied-intelligence.github.io/OneVL GitHub at https://github.com/xiaomi-research/onevl

ForgeVLA: Federated Vision-Language-Action Learning without Language Annotations

ForgeVLA：无需语言标注的联邦视觉-语言-动作学习

Yuhao Zhou, Yunpeng Zhu, Yang Zhou, Jindi Lyu, Jian Lan, Zhangyuan Wang, Dan Si, Thomas Seidl, Qing Ye, Jiancheng Lyu

机构 * Sichuan University（四川大学） ； Zhejiang University（浙江大学） ； Ludwig-Maximilians-Universität München（慕尼黑路德维希-马克西米利安大学） ； Lenovo Group Limited（联想集团有限公司） ； Engineering Research Center of Machine Learning and Industry Intelligence, Ministry of Education（教育部机器学习与工业智能工程研究中心） 纠错

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

AI总结 本文提出ForgeVLA框架，通过分布式视觉-动作对训练联邦VLA模型，无需集中数据或人工标注。通过客户端指令分类器构建完整三元组，并引入对比规划损失和自适应聚合策略以解决特征坍塌问题，实验表明性能优于基线模型。

Comments 26 pages

Continually Evolving Skill Knowledge in Vision Language Action Model

视觉语言动作模型中的持续演进技能知识

Yuxuan Wu, Guangming Wang, Zhiheng Yang, Tianchen Deng, Maoqing Yao, Brian Sheil, Hesheng Wang

机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院） ； University of Cambridge（剑桥大学） ； Beihang University（北京航空航天大学） ； Nanyang Technological University（南洋理工大学） ； MIT SMART（麻省理工学院SMART实验室） ； AgiBot 纠错

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

AI总结 本文提出Stellar VLA框架，通过无需增加参数的持续模仿学习方法，实现视觉语言动作模型的持续知识积累，实验表明其在任务专精和知识转移方面表现优异。

KERV: Kinematic-Rectified Speculative Decoding for Embodied VLA Models

KERV：基于运动学的具身VLA模型的推测解码

Zihao Zheng, Zhihao Mao, Maoliang Li, Jiayu Chen, Xinhao Sun, Zhaobo Zhang, Donggang Cao, Hong Mei, Xiang Chen

机构 * School of Computer Science, Peking University, Beijing, China（北京大学计算机科学学院） ； School of Computer Science, China University of Geosciences (Wuhan), Wuhan, China（中国地质大学（武汉）计算机科学学院） 纠错

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

AI总结 本文提出KERV框架，结合token域和运动学域预测，通过运动学卡尔曼滤波和动态调整策略提升VLA模型的推理速度，实验显示在多种任务中加速27%-37%且成功率损失极小。

Comments This paper has been accepted by DAC 2026

SPEAR-1: Scaling Beyond Robot Demonstrations via 3D Understanding

SPEAR-1：通过3D理解超越机器人演示

Nikolay Nikolov, Giuliano Albanese, Sombit Dey, Aleksandar Yanev, Luc Van Gool, Jan-Nico Zaech, Danda Pani Paudel

机构 * INSAIT 纠错

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

AI总结 本文提出SPEAR-1，通过融合3D感知与语言指导的具身控制，提升机器人基础模型的泛化能力，使用20倍少的机器人演示数据在24个Open X-Embodiment数据集上训练，超越现有最佳模型。

AugVLA-3D: Depth-Driven Feature Augmentation for Vision-Language-Action Models

AugVLA-3D：基于深度的特征增强用于视觉-语言-动作模型

Zhifeng Rao, Wenlong Chen, Lei Xie, Xia Hua, Dongfu Yin, Zhen Tian, F. Richard Yu

机构 * Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)（广东省人工智能与数字经济实验室（深圳）） ； Department of Computer Science and Engineering, Southern University of Science and Technology（南方科技大学计算机科学与工程系） ； School of Communication and Information Engineering, Shanghai University（上海大学通信与信息工程学院） ； School of Information Technology, Carleton University（卡尔顿大学信息技术学院） 纠错

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

AI总结 本文提出AugVLA-3D框架，通过整合深度估计提升视觉-语言-动作模型的3D特征表示，增强模型在复杂3D环境中的感知与动作预测能力。

Journal ref ICRA2026

Temporal Difference Calibration in Sequential Tasks: Application to Vision-Language-Action Models

时间差校准在连续任务中的应用：用于视觉-语言-动作模型

Shelly Francis-Meretzki, Mirco Mutti, Yaniv Romano, Aviv Tamar

机构 * Technion - Israel Institute of Technology（技术ion-以色列理工学院） 纠错

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

AI总结 本文提出了一种用于连续任务的时间差校准方法，通过将Brier分数扩展到序列任务，将不确定性校准与强化学习结合，提高了视觉-语言-动作模型的性能。

A Vision-Language-Action Model for Adaptive Ultrasound-Guided Needle Insertion and Needle Tracking

面向自适应超声引导针插入与针跟踪的视觉-语言-动作模型

Yuelin Zhang, Qingpeng Ding, Longxiang Tang, Chengyu Fang, Shing Shin Cheng

机构 * Department of Mechanical and Automation Engineering, The Chinese University of Hong Kong（香港中文大学机械与自动化工程系） ； Department of Computer Science and Engineering, The Hong Kong University of Science and Technology（香港科学与技术大学计算机科学与工程系） ； Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Department of Mechanical and Automation Engineering, T Stone Robotics Institute, Shun Hing Institute of Advanced Engineering, Multi-Scale Medical Robotics Center, and Institute of Medical Intelligence and XR, The Chinese University of Hong Kong（香港中文大学机械与自动化工程系、T Stone机器人研究所、Shun Hing先进工程研究所、多尺度医疗机器人中心以及医学智能与XR研究所） 纠错

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

AI总结 本文提出视觉-语言-动作模型，用于实现自适应超声引导针插入与跟踪，通过跨深度融合和跟踪条件化注册提升跟踪精度与插入成功率。

Comments Accepted by ICRA 2026

SafeVLA: Towards Safety Alignment of Vision-Language-Action Model via Constrained Learning

SafeVLA: 通过约束学习实现视觉-语言-动作模型的安全对齐

Borong Zhang, Yuhao Zhang, Jiaming Ji, Yingshan Lei, Yishuai Cai, Josef Dai, Yuanpei Chen, Yaodong Yang

机构 * Institute for Artificial Intelligence, Peking University（人工智能研究院，北京大学） ； PKU-PsiBot Joint Lab（北京大学PsiBot联合实验室） ； State Key Laboratory of General Artificial Intelligence, Peking University（通用人工智能国家重点实验室，北京大学） ； Zhongguancun Academy（中关村学院） 纠错

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

AI总结 本文提出SafeVLA方法，通过约束学习整合安全约束，有效降低安全违规成本并提升任务成功率，同时确保安全性和泛化能力。

Comments Accepted by NeurIPS 2025 Spotlight Presentation

ProGAL-VLA: Grounded Alignment through Prospective Reasoning in Vision-Language-Action Models

ProGAL-VLA: 通过前瞻性推理实现视觉-语言-动作模型中的 grounded 对齐

Nastaran Darabi, Amit Ranjan Trivedi

机构 * University of Illinois Chicago（伊利诺伊大学芝加哥分校） 纠错

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

AI总结 ProGAL-VLA 通过构建 3D 实体中心图、使用慢速规划器生成符号子目标，并通过 Grounding Alignment Contrastive 损失对齐实体，提升机器人在扰动下的鲁棒性，减少语言忽略并提高实体检索性能。

Unified Diffusion VLA: Vision-Language-Action Model via Joint Discrete Denoising Diffusion Process

统一扩散VLA：通过联合离散去噪扩散过程实现视觉-语言-动作模型

Jiayi Chen, Wenxuan Song, Pengxiang Ding, Ziyang Zhou, Han Zhao, Feilong Tang, Donglin Wang, Haoang Li

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； Westlake University（西交大学） ； Zhejiang University（浙江大学） ； Monash University（墨尔本大学） 纠错

专题命中 机器人基础模型 ：embodied agent(abstract)；分类 cs.RO、cs.CV

AI总结 本文提出统一扩散VLA模型，通过联合离散去噪扩散过程实现视觉语言动作的协同生成与执行，提升多模态任务的效率与性能。

DualCoT-VLA: Visual-Linguistic Chain of Thought via Parallel Reasoning for Vision-Language-Action Models

DualCoT-VLA: 通过并行推理实现视觉-语言链式思维的视觉-语言-动作模型

Zhide Zhong, Junfeng Li, Junjie He, Haodong Yan, Xin Gong, Guanyi Zhao, Yingjie Cai, Jiantao Gao, Xu Yan, Bingbing Liu, Yingcong Chen, Liuqing Yang, Haoang Li

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； Huawei Foundation Model Department（华为基础模型部门） 纠错

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

AI总结 DualCoT-VLA通过并行推理机制，结合视觉和语言链式思维，解决传统VLA模型在复杂多步骤任务和精细空间感知中的不足，实现更高效的视觉-语言-动作处理。

PixelVLA: Advancing Pixel-level Understanding in Vision-Language-Action Model

PixelVLA：推进视觉-语言-动作模型中的像素级理解

Wenqi Liang, Gan Sun, Yao He, Jiahua Dong, Suyan Dai, Ivan Laptev, Salman Khan, Yang Cong

机构 * University of Trento（特伦托大学） ； School of Automation Science and Engineering, South China University of Technology（华南理工大学自动化科学与工程学院） ； Mohamed bin Zayed University of Artificial Intelligence（马尔代夫人工智能大学） ； Australian National University（澳大利亚国立大学） 纠错

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

AI总结 PixelVLA通过引入多尺度像素感知编码器和视觉提示感知编码器，提升视觉-语言-动作模型的像素级理解和多模态提示能力，在三个基准和两个模型变体中提升了10.1%-28.7%的操控成功率。

Comments 17pages,7 figures, 5 tabels

Information-Theoretic Constraints for Continual Vision-Language-Action Alignment

信息论视角下的持续视觉-语言-动作对齐约束

Libang Zhao, Qixin Zeng, Hongyin Zhang, Donglin Wang

机构 * Westlake University, China（西湖大学） ； University of Southampton, UK（南安普顿大学） 纠错

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

AI总结 本文提出Info-VLA框架，通过两个互补约束保持跨模态信息结构，解决持续学习中视觉语言动作对齐退化问题，实验表明其在任务保持与适应性上优于现有方法。

OmniGuide: Universal Guidance Fields for Enhancing Generalist Robot Policies

OmniGuide: 通用引导场用于增强通用机器人策略

Yunzhou Song, Long Le, Yong-Hyun Park, Jie Wang, Junyao Shi, Lingjie Liu, Jiatao Gu, Eric Eaton, Dinesh Jayaraman, Kostas Daniilidis

机构 * University of Pennsylvania（宾夕法尼亚大学） 纠错

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

AI总结 OMNIGUIDE通过整合多种引导源提升通用机器人策略在复杂任务中的性能

Comments Project Page: $\href{https://omniguide.github.io/}{this\; url}$

Compose Your Policies! Improving Diffusion-based or Flow-based Robot Policies via Test-time Distribution-level Composition

制定你的策略！通过测试时的分布级组合改进扩散型或流型机器人策略

Jiahang Cao, Yize Huang, Hanzhong Guo, Rui Zhang, Mu Nan, Weijian Mai, Jiaxu Wang, Hao Cheng, Jingkai Sun, Gang Han, Wen Zhao, Qiang Zhang, Yijie Guo, Qihao Zheng, Chunfeng Song, Xiao Li, Ping Luo, Andrew F. Luo

机构 * The University of Hong Kong（香港大学） ； Beijing Innovation Center of Humanoid Robotics（北京人形机器人创新中心） ； Shanghai AI Lab（上海人工智能实验室） ； Shanghai Jiaotong University（上海交通大学） ； The Hong Kong University of Science and Technology（香港科技大学） 纠错

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

AI总结 本研究提出无需训练的通用策略组合方法，通过测试时分布级组合提升机器人策略性能。

Comments Accepted to ICLR 2026. Project Page: https://sagecao1125.github.io/GPC-Site/

TMR-VLA:Vision-Language-Action Model for Magnetic Motion Control of Tri-leg Silicone-based Soft Robot

TMR-VLA：一种用于三腿硅基软机器人磁性运动控制的视觉-语言-动作模型

Ruijie Tang, Chi Kit Ng, Kaixuan Wu, Long Bai, Guankun Wang, Yiming Huang, Yupeng Wang, Hongliang Ren

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

AI总结 TMR-VLA通过结合视觉、语言和动作模块，实现三腿硅基软机器人的磁性运动控制与导航能力提升。

Comments ICRA 2025

MOTIF: Learning Action Motifs for Few-shot Cross-Embodiment Transfer

MOTIF: 为少样本跨躯体迁移学习动作动机

Heng Zhi, Wentao Tan, Lei Zhu, Fengling Li, Jingjing Li, Guoli Yang, Heng Tao Shen

机构 * Tongji University（同济大学） ； University of Technology Sydney（技术悉尼大学） ； University of Electronic Science（电子科学大学） ； Advanced Institute of Big Data（大数据高级研究所） 纠错

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

AI总结 MOTIF通过学习动作动机实现高效的少样本跨躯体迁移，提升机器人在新躯体上的动作生成能力。

MetaVLA: Unified Meta Co-training For Efficient Embodied Adaption

MetaVLA：统一的元学习协同训练用于高效的具身适应

Chen Li, Zhantao Yang, Han Zhang, Fangyi Chen, Chenchen Zhu, Anudeepsekhar Bolimera, Marios Savvides

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Meta Reality Labs, USA（Meta现实实验室（美国）） 纠错

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

AI总结 MetaVLA通过统一的元学习协同训练方法，实现高效的具身适应，提升任务泛化能力并降低训练成本。

Validating Generalist Robots with Situation Calculus and STL Falsification

用情况演算和STL反例检验通用机器人

Changwen Li, Rongjie Yan, Chih-Hong Cheng, Jian Zhang

机构 * Key Laboratory of Software System, ISCAS, China（软件系统重点实验室，中国） ； Carl von Ossietzky Universität Oldenburg, Germany（奥尔登堡卡尔·冯·奥西特齐大学，德国） 纠错

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

AI总结 本文提出结合情况演算和STL反例检验的两层框架，用于验证通用机器人，通过抽象推理和具体模拟揭示失败案例，提升机器人自主性验证效果。

Phantom Menace: Exploring and Enhancing the Robustness of VLA Models Against Physical Sensor Attacks

幻影威胁：探索和增强VLA模型对物理传感器攻击的鲁棒性

Xuancun Lu, Jiaxiang Chen, Shilin Xiao, Zizhi Jin, Zhangrui Chen, Hanwen Yu, Bohan Qian, Ruochen Zhou, Xiaoyu Ji, Wenyuan Xu

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

AI总结 本文提出了一种新型框架，用于研究和增强VLA模型对物理传感器攻击的鲁棒性，并开发了对抗训练方法以提升模型安全性。

Comments Accepted by AAAI 2026 main track

Hierarchical Vision Language Action Model Using Success and Failure Demonstrations

基于成功与失败示范的分层视觉语言行动模型

Jeongeun Park, Jihwan Yoon, Byungwoo Jeon, Juhan Park, Jinwoo Shin, Namhoon Cho, Kyungjae Lee, Sangdoo Yun, Sungjoon Choi

机构 * Department of Artificial Intelligence, Korea University（韩国大学人工智能系） ； Kim Jaechul Graduate School of AI, KAIST（金在拙人工智能研究生院，韩国科学技术院） ； Department of Aerospace Engineering, Seoul National University（首尔国立大学航空航天工程系） ； Departmnet of Statistics, Korea University（韩国大学统计系） ； NAVER AI Lab（NAVER人工智能实验室） 纠错

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

AI总结 VINE通过分层强化学习框架，利用失败数据提升视觉语言行动模型的鲁棒性和执行能力。

Comments https://vine-vla.github.io/

KV-Efficient VLA: A Method to Speed up Vision Language Models with RNN-Gated Chunked KV Cache

KV-Efficient VLA: 一种加速视觉语言模型的方法通过RNN门控分块KV缓存

Wanshun Xu, Long Zhuang, Lianlei Shan

机构 * University of Toronto（多伦多大学） ； Tsinghua University（清华大学） 纠错

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

AI总结 KV-Efficient VLA通过RNN门控分块KV缓存机制，有效降低视觉语言模型的计算和内存开销，提升推理效率。

Lite VLA: Efficient Vision-Language-Action Control on CPU-Bound Edge Robots

Justin Williams, Kishor Datta Gupta, Roy George, Mrinmoy Sarkar

机构 * Department of Cyber-Physical Systems, Clark Atlanta University（克雷克阿特拉大学计算机物理系统系） ； Siemens Corporation（西门子公司） 纠错

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