机器人 / 具身智能

Learning to Move Before Learning to Do: Task-Agnostic pretraining for VLAs

先学移动再学做事：面向VLA的任务无关预训练

Junhao Shi, Siyin Wang, Xiaopeng Yu, Li Ji, Jingjing Gong, Xipeng Qiu

机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） 纠错

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

AI总结 提出任务无关预训练（TAP）框架，先通过自监督逆动力学从廉价无标签交互数据学习可迁移运动先验，再用少量专家数据将先验与语言对齐，显著降低VLA模型对专家演示的依赖。

Comments Accepted to ICML 2026, 21 pages,6 figures

MIRTH: Mutual-Information Reasoning with Temporal Hubs for Vision-Language-Action Agents

MIRTH：面向视觉-语言-动作智能体的基于互信息推理的时间枢纽

Hao Sun, Yu Song, Shiyu Teng, Ziwei Niu, Yen-Wei Chen

机构 * College of Information Science and Engineering, Ritsumeikan University（立命馆大学信息科学与工程学院） ； College of Computer Science and Technology, Zhejiang University（浙江大学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.AI

AI总结 提出MIRTH框架，通过双尺度时间记忆枢纽、互信息优化的潜在推理令牌和并行动作解码，解决VLA模型的时间短视、推理鸿沟和推理低效问题，在LIBERO和真实机器人上达到SOTA并展现错误恢复能力。

Comments Accepted as main conference paper at ACL 2026

FORCE: Efficient VLA Reinforcement Fine-Tuning via Value-Calibrated Warm-up and Self-Distillation

FORCE: 通过值校准预热和自蒸馏实现高效的VLA强化学习微调

Shuyi Zhang, Yunfan Lou, Hongyang Cheng, Yichen Guo, Chuyao Fu, Yaoxu Lyu, Xiaojie Zhang, Haoran Li, Pengwei Wang, Zhongyuan Wang, Shanghang Zhang

机构 * Institute of Automation, Chinese Academy of Sciences, Beijing, China（中国科学院自动化研究所） ； Beijing Academy of Artificial Intelligence, Beijing, China（北京人工智能研究院） ； State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University, Beijing, China（北京大学计算机科学学院多媒体信息处理国家重点实验室） 纠错

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

AI总结 提出FORCE框架，通过值校准预热和自蒸馏解决VLA模型RL微调中的样本效率低和初始遗忘问题，在仿真和真实任务中成功率提升79%，训练加速32.5%。

G$^3$VLA: Geometric inductive bias for Vision-Language-Action Models

G$^3$VLA：视觉-语言-动作模型的几何归纳偏置

Yue Peng, Yongzhe Zhao, Artur Habuda, Khuyen Pham, Yanheng Zhu, Tran Nguyen Le, Fares Abu-Dakka, Li Guo

机构 * New York University Shanghai（上海纽约大学） ； Technical University of Denmark（丹麦技术大学） ； MBZUAI - Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； New York University Abu Dhabi（纽约大学阿布扎比分校） 纠错

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

AI总结 提出G$^3$VLA模块，通过射线嵌入、投影位置编码和跨视图融合为VLA模型注入相机几何先验，无需深度传感器，在多个基准和真实机器人上提升空间敏感任务性能。

Comments Submitted to CoRL 2026

NAC: Neural Action Codec for Vision-Language-Action Models

NAC: 面向视觉-语言-动作模型的神经动作编解码器

Ahad Jawaid, Yu Xiang

机构 * The University of Texas at Dallas（德克萨斯大学达拉斯分校） 纠错

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

AI总结 提出神经动作编解码器(NAC)，采用多尺度RVQGAN架构将短动作轨迹视为多通道1D信号进行压缩，以替代现有离散动作分词器，在LIBERO-10等任务中实现更低重建误差和更高成功率。

Pose6DAug: Physically Plausible Multi-view Object Swapping for Robot Data Augmentation

Pose6DAug: 用于机器人数据增强的物理合理多视图物体替换

Jonghoon Lee, Seong Hyeon Park, Byungwoo Jeon, Minha Lee, Jinwoo Shin

机构 * KAIST（韩国科学技术院） ； Korea University（韩国大学） ； RLWRLD 纠错

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

AI总结 提出Pose6DAug，一种基于失败驱动的数据增强框架，通过3D网格和6D姿态轨迹替换成功轨迹中的物体，生成多视图一致的物理合理演示，无需额外数据收集，在新型物体上提升VLA策略成功率16.5%。

ImageWAM: Do World Action Models Really Need Video Generation, or Just Image Editing?

ImageWAM：世界动作模型真的需要视频生成，还是只需要图像编辑？

Yuyang Zhang, Wenyao Zhang, Zekun Qi, He Zhang, Haitao Lin, Jingbo Zhang, Yao Mu, Xiaokang Yang, Wenjun Zeng, Xin Jin

机构 * Shanghai Jiao Tong University（上海交通大学） ； Eastern Institute of Technology（东方理工学院） ； Tencent Robotics X（腾讯机器人X） ； Tsinghua University（清华大学） ； Zhongguancun Academy（中关村学院） 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 提出ImageWAM框架，利用预训练图像编辑模型替代视频生成进行机器人动作预测，通过编辑去噪的KV缓存作为世界动作上下文，在多个模拟和真实实验中优于基线，计算量降至1/6，延迟降至1/4。

Comments Project Page: https://zhangwenyao1.github.io/ImageWAM/

Does VLA Even Know the Basics? Measuring Commonsense and World Knowledge Retention in Vision-Language-Action Models

VLA 甚至知道基础知识吗？衡量视觉-语言-动作模型中的常识和世界知识保留

Nikita Kachaev, Andrey Moskalenko, Matvey Skripkin, Nikita Kurlaev, Daria Pugacheva, Albina Burlova, Mikhail Kolosov, Denis Shepelev, Andrey Kuznetsov, Elena Tutubalina, Aleksandr I. Panov, Alexey K. Kovalev, Vlad Shakhuro

机构 * CogAI Lab（CogAI实验室） ； FusionBrain Lab（FusionBrain实验室） ； IAI MSU（MSU人工智能研究所） ； Lomonosov MSU（Lomonosov莫斯科大学） ； NUST MISIS ； Applied AI Institute（应用人工智能研究所） ； HSE University（俄罗斯高等经济大学） ； Generalizable AI Systems（可泛化人工智能系统） ； ISP RAS（俄罗斯科学院信息与自动化过程研究所） ； MIRAI ； Domain-specific NLP Group（领域特定自然语言处理小组） 纠错

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

AI总结 提出 Act2Answer 协议，通过动作回答评估 VLA 模型的知识保留，发现模型在简单概念上表现良好，但在丰富语义类别上存在差距，且 VQA 联合训练有助于知识保留。

Comments Project page: https://tttonyalpha.github.io/act2answer/

PearlVLA: Progressive Embodied Action-Plan Refinement in Latent Space

PearlVLA：潜在空间中的渐进式具身动作计划精炼

Bochen Yang, Lianlei Shan

机构 * Imperial College London（帝国理工学院） ； Tsinghua University（清华大学） 纠错

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

AI总结 提出PearlVLA框架，通过在VLM潜在空间中进行迭代计划精炼，平衡动作生成效率与显式推理，在LIBERO基准上达到最先进性能。

Comments 21 pages, 2 figures. Preprint

Learned Image Compression for Vision-Language-Action Models

面向视觉-语言-动作模型的图像压缩学习

Hyeonjun Kim, Jegwang Ryu, Sangbeom Ha, Junhyeok Lee, Jun-Hyuk Kim, Hyemin Ahn, Jaeho Lee

机构 * POSTECH（浦项科技大学） ； Soongsil University（崇实大学） ； Chung-Ang University（中央大学） 纠错

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

AI总结 提出SPARC框架，通过自适应比特率分配和倾斜率损失，在低带宽下保持VLA机器人控制性能，优于传统编解码器。

Trajectory-Level Redirection Attacks on Vision-Language-Action Models

轨迹级重定向攻击对视觉-语言-动作模型

Gokul Puthumanaillam, Vardhan Dongre, Pranay Thangeda, Hooshang Nayyeri, Dilek Hakkani-Tür, Melkior Ornik

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

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

AI总结 本文发现VLA模型存在轨迹级漏洞：看似保留原始指令的对抗性提示，能重定向机器人最终物理结果，并提出了命令保持的轨迹重定向威胁模型和在线提示搜索方法。

LIBERO-Occ: Evaluating and Improving Vision-Language-Action Models under Scene-Induced Occlusion via Viewpoint Imagination

LIBERO-Occ：通过视角想象评估和改进场景诱导遮挡下的视觉-语言-动作模型

Taishan Li, Jiwen Zhang, Siyuan Wang, Xuanjing Huang, Zhongyu Wei

机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； Chinese University of Hong Kong（香港中文大学） 纠错

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

AI总结 针对VLA模型在场景遮挡下性能下降的问题，提出LIBERO-Occ基准和视角想象方法，通过生成互补视图提升鲁棒性。

Comments 14 pages, 7 figures

Elastic Queries Reinforcement Learning: Self-Aware Policy Execution for VLA Models

弹性查询强化学习：VLA模型的自我感知策略执行

Ge Wang, Xinyu Tan, Xiang Li, Man Luo, Chengsi Yao, Shenhao Yan, Jiahao Yang, Fan Feng, Honghao Cai, Xiangyuan Wang, Zhixin Mai, Yiming Zhao, Yatong Han, Zhen Li

机构 * Ising AI ； CUHK-Shenzhen（香港中文大学（深圳）） ； PKU（北京大学） 纠错

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

AI总结 提出弹性查询强化学习（EQRL），通过轻量级潜在调度适配器动态调整VLA模型的推理步骤和动作块长度，利用评论家集成分歧估计状态难度，在降低推理成本的同时保持或提升任务成功率。

TacCoRL: Integrating Tactile Feedback into VLA via Simulation

TacCoRL: 通过仿真将触觉反馈集成到视觉-语言-动作模型中

Siyu Ma, Yuqi Liang, Chang Yu, Yunuo Chen, Hao Su, Yixin Zhu, Yin Yang, Chenfanfu Jiang

机构 * University of California, Los Angeles（加利福尼亚大学洛杉矶分校） ； University of California, San Diego（加利福尼亚大学圣迭戈分校） ； University of Electronic Science and Technology of China（电子科技大学） ； Peking University（北京大学） ； University of Utah（犹他大学） 纠错

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

AI总结 提出TacCoRL框架，通过仿真与真实联合训练和强化学习，将触觉反馈注入视觉-语言-动作策略，在接触密集型任务中平均成功率提升22.5%。

Harness Engineering for Physical AI: Robot Middleware Is the Harness Layer

面向物理AI的驾驭工程：机器人中间件即驾驭层

Sanghoon Lee, Jiyeong Chae, Kyung-Joon Park

机构 * Daegu Gyeongbuk Institute of Science and Technology (DGIST)（大邱庆北科学技术院） 纠错

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

AI总结 本文提出机器人中间件作为物理AI的驾驭层，需同时干预控制、计算和通信，并补充投影、隔离和转移三种缺失的强制功能，以ROS 2驾驭配置文件为例。

Comments 6 pages, 2 figures, 2 tables. Big Ideas track submission to the 27th ACM/IFIP International Middleware Conference (Middleware 2026)

TBD-VLA: Temporal Block Diffusion Vision Language Action Model

TBD-VLA: 时序块扩散视觉语言动作模型

Sung-Wook Lee, Xuhui Kang, Yen-Ling Kuo

机构 * University of Virginia（弗吉尼亚大学） 纠错

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

AI总结 提出TBD-VLA框架，通过时序块扩散机制实现离散令牌VLA模型的并行动作生成，兼顾时序连贯性与推理速度，在仿真和真实任务中优于先前方法。

Assistron: Bayesian Shared Autonomy with Off-the-shelf Vision-Language-Action Models

Assistron: 基于现成视觉-语言-动作模型的贝叶斯共享自主

Pinhao Song, Ze Fu, Yutong Hu, Renaud Detry

机构 * KU Leuven（鲁汶大学） 纠错

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

AI总结 提出Assistron共享自主模型，利用VLA模型自主执行宏观运动，仅在关键失败点请求人类干预，无需微调VLA，显著提升任务成功率并降低人类工作量。

Comments Using VLA in assistive robotics

RHO: Your Coding Agent is Secretly a Roboticist

RHO：你的编码代理其实是个机器人专家

Karim Elmaaroufi, Justin Svegliato, Sarunas Kalade, Graham Schelle, Sanjit A. Seshia, Matei Zaharia

机构 * University of California, Berkeley（加州大学伯克利分校） ； AMD 纠错

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

AI总结 提出RHO范式，通过训练时搜索神经符号化多文件策略库，实现机器人任务的高效零样本泛化，在LIBERO-PRO和Robosuite上分别达到45%和70%的成功率，显著优于现有方法。

Comments 46 pages, 9 figures, 15 tables. Project page: https://rho-robotics.github.io

LIBERO-VIFO: Benchmarking the Capability and Safety of Visual Cue Following in Vision-Language-Action Models

LIBERO-VIFO：评估视觉-语言-动作模型视觉线索跟随的能力与安全性的基准

Zhengyan Qian, Rui Yan, Alex Jinpeng Wang, Jinhui Tang

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

AI总结 研究人员提出LIBERO-VIFO基准，评估7种VLA模型的视觉线索跟随能力与安全性，发现当前VLA存在无语言指令时执行线索指示任务的未授权跟随风险，确立了以视觉为中心的安全新视角。

GigaBrain-0.7: Scaling Embodied Foundation Models to Emergent Capabilities with a Three-System Architecture

GigaBrain-0.7：采用三系统架构扩展具身基础模型以获得涌现能力

GigaBrain Team, Angen Ye, Axiang Sun, Can Jin, Chenxi Cheng, Chong Shi, Dengke Shang, Dingqian Zhang, Guan Huang, Guangqiang Wang, Guangqing Ding, Guo Li, Hangcong Li, Hengyu Zhong, Hongtao Lu, Jianbo Qin, Jiming Mao, Jing Zhu, Jindi Lv, Jingzhi Cui, Junjie Xie, Junyi Bao, Kai Liu, Lei Yuan, Limin Long, Lv Feng, Mingming Yu, Peng Li, Pengfei Yi, Qi Li, Qianli Zhang, Qingfang Li, Qitang Hu, Rui Zhang, Shaoyan Sun, Shibo Sun, Shiying Duan, Tenghui Chen, Tianze Liu, Weijie Ke, Wenyao Xue, Xiaofeng Wang, Xiaoyu Tian, Xinyu Liu, Xinze Chen, Yang Wang, Yankai Wang, Yejun Zeng, Yifan Li, Yifei Nie, Yilong Li, Yilong Liu, Yongchao Feng, Yumeng Wang, Yun Ye, Zhichao Liu, Ziheng He, Zonghai Yang, Zheng Zhu

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

AI总结 研究针对VLA模型泛化不足问题，提出三系统架构的GigaBrain-0.7具身基础模型，扩展至37000小时异质具身数据，实现零样本等能力显著提升，将开源代码与权重。

Comments https://gigaai.cc/blog/gigabrain07

Decoding Task Progress from VLA Representations

从视觉-语言-动作模型（VLA）表征中解码任务进度

Atiksh Bhardwaj, Edward Weiyi Duan, Prithwish Dan, Wei-Chiu Ma, Preston Culbertson

机构 * Cornell University（康奈尔大学） 纠错

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

AI总结 该研究利用机制可解释性探究VLA的π₀.₅残差流，发现任务进度可从激活值线性读取，基于此构建的探测器可作为无标签OOD检测器，性能接近最先进方法，为监控部署的视觉运动策略提供轻量可解释路径。

In-Context VLA: Endowing Vision-Language-Action Models with Language via In-Context Post-Training and Agentic Tool Use

上下文视觉-语言-动作模型：通过上下文后训练与智能体工具使用为视觉-语言-动作模型赋予语言能力

Jiarui Yang, Wen Huang, Jiale Zhang, Maowei Hu, Hang Guo

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

AI总结 该研究针对现有VLA模型用CoT会降低控制性能的问题，提出通过上下文后训练和智能体工具使用赋予VLA语言能力的方法，在多模拟和真实机器人任务上实现SOTA性能与效率。

Mind-VLA: Instruction-Aware Spatial Representation Alignment for Vision-Language-Action Models

Mind-VLA：面向视觉-语言-动作模型的指令感知空间表示对齐方法

Xingyu Ding, Yuzhong Zhao, Yang Wu, Chaoyang Zhao, Chunhai Zhao, Yifan Zhang, Jian Cheng

机构 * Nanjing University（南京大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

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

AI总结 本文针对现有VLA方法忽略指令指定目标物体3D几何的问题，提出Mind-VLA方法，通过对齐目标物体相关特征实现指令感知3D理解，在LIBERO、CALVIN及真实机器人遮挡任务上性能显著优于基线。

Unified Visuomotor Targets: Supervising VLAs Beyond Physical Actions

统一视觉运动目标：监督视觉语言智能体（VLA）超越物理动作

Zhenyang Feng, Unnat Jain

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

AI总结 本研究针对VLA模型训练中视觉语言高级表示与机器人低级动作的不匹配问题，提出UVT统一视觉运动目标，无需改动架构或额外数据，在仿真与真实双臂任务中提升了VLA的训练效率、性能与鲁棒性

Comments Accepted at IROS 2026. Project page: https://unified-visuomotor-targets.github.io/

RL Bootstrapping of OpenVLA-OFT for a Novel Robot Embodiment

针对新型机器人实体的OpenVLA-OFT的RL引导

Damir Nurtdinov, Alexei Kornaev, Alexander Maloletov

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

AI总结 本文针对形态特殊的缆绳驱动并联机器人，无需实体专属数据集，通过仿真中PPO与GRPO两阶段强化学习，提升了OpenVLA-OFT的指令执行成功率，为仅靠RL生成适配全新实体的语言条件控制器提供了证据。

Route by Kinematics, Act by Observation: Kinematics-Supervised Expert Routing in MoE-Augmented VLA

基于运动学的路由、基于观测的执行：MoE增强视觉-语言智能体（VLA）中的运动学监督专家路由

Tianhang Yang, Yanze Zheng, Junjie Wang, Wei-Bin Kou, Ruotong Li, Yujiu Yang

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

AI总结 本研究针对MoE增强VLA的专家路由问题，提出KinRT方法，通过运动学聚类监督路由器训练，在两个平台上验证其性能优于现有模型，相关代码与平台将开源。

Comments 9 pages

Explicit Kinematic Guidance from Analytic Concepts for Vision-Language-Action Models

面向视觉-语言-动作模型的来自解析概念的显式运动学引导

Mingyang Sun, Jiude Wei, Xiujian Liang, Qichen He, Donglin Wang, Cewu Lu, Jianhua Sun

机构 * Zhejiang University（浙江大学） ； Shanghai Innovation Institute（上海创新研究院） ； Fudan University（复旦大学） ； Westlake University（西湖大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

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

AI总结 该研究针对视觉-语言-动作模型忽略3D物体结构信息的缺陷，构建概念专家模块生成解析概念，通过双阶段机制提供显式引导，提升了模型的操作成功率与学习效率。

A Causality-aware Infer-diagnose-refine Framework for Test-time Modality Adaptation in VLA Models

用于视觉语言动作模型测试时模态适应的因果感知推理-诊断-细化框架

Haoyu Zhang, Yuwei Wu, Jin Chen, Gao Zhi, Zhenxin Diao, Mingyang Gao, Kun Wu, Yongchun Liu, Fan Li

机构 * Beijing Institute of Technology（北京理工大学） ； AInnovation Co. Ltd.（A创新有限公司） ； Beijing Innovation Center of Humanoid Robotics（北京人形机器人创新中心） 纠错

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

AI总结 针对VLA模型模态融合问题，提出因果感知推理-诊断-细化框架，通过视觉观察推理、因果效应诊断及动作预测细化实现模态适应，设计因果感知动作细化器，实验验证了该框架在多VLA主干上提升整体性能的有效性。

A Motion-Aware Vector Quantization Framework with Centroid Reuse for Efficient VLA Inference

一种用于高效视觉-语言-动作推理的具有质心重用的运动感知向量量化框架

Zhuoran Song, Haozhe Jiang, Chunyu Qi, Minnan Pei, Gang Li, Xiaoyao Liang, Haibing Guan

机构 * School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学与工程系） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） 纠错

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

AI总结 针对VLA模型推理延迟高问题，提出VQVLA算法-硬件协同设计框架，利用MotionVQ动态调整量化精度，采用合并质心向量量化通用矩阵乘法范式，设计加速器，实验表明其相比多种方法有显著加速且精度损失小。

Reflex: Real-Time VLA Control through Streaming Inference

Reflex：通过流推理实现实时VLA控制

Yuanchun Guo, Bingyan Liu

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

AI总结 研究针对流匹配VLA模型与实时机器人技术的不兼容问题，提出Reflex框架，利用时间步不变性属性实现实时流推理，通过分区缓存更新、引入自适应归一化层、异步管道和算子融合等方法，在基准测试中实现推理加速和稳定流，减少反应延迟。

Comments Accepted by ICML2026