VLA / 视觉-语言-动作模型

DyGRO-VLA: Cross-Task Scaling of Vision-Language-Action Models via Dynamic Grouped Residual Optimization

DyGRO-VLA: 通过动态分组残差优化实现跨任务的视觉-语言-动作模型扩展

Sixu Lin, Yunpeng Qing, Litao Liu, Ming Zhou, Ruixing Jin, Xiaoyi Fan, Guiliang Liu

机构 * School of Data Science, The Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳）数据科学学院） ； Shenzhen Loop Area Institute（深圳河套学院） ； Zhejiang University（浙江大学） ； Rutgers University-New Brunswick（罗格斯大学新布朗斯维尔回声分校） ； Shanghai AI Laboratory（上海人工智能实验室） ； Jiangxing Intelligence Technology Inc.（江行智能科技有限公司） 纠错

专题命中 VLA模型 ：VLA(title,title_cn)；vision-language-action(title,abstract)；action model(title)；分类 cs.RO、cs.LG

AI总结 本文提出DyGRO-VLA，一种通过动态分组残差优化实现跨任务视觉-语言-动作模型扩展的两阶段优化框架，旨在提升模型的泛化能力。

AT-VLA: Adaptive Tactile Injection for Enhanced Feedback Reaction in Vision-Language-Action Models

AT-VLA: 用于增强视觉-语言-动作模型反馈反应的自适应触觉注入

Xiaoqi Li, Muhe Cai, Jiadong Xu, Juan Zhu, Hongwei Fan, Yan Shen, Guangrui Ren, Hao Dong

机构 * School of Computer Science, Peking University（北京大学计算机科学系） ； PrimeBot ； PKU Lab（北京大学实验室） 纠错

专题命中 VLA模型 ：VLA(title,title_cn)；vision-language-action(title,abstract)；action model(title)；分类 cs.RO

AI总结 本文提出AT-VLA，一种自适应触觉注入机制，通过动态决定触觉注入的时间和位置，减少对预训练表示的干扰，同时引入触觉反应双流机制，实现快速准确的触觉响应，以提高视觉-语言-动作模型在接触丰富操作任务中的表现。

See What Matters: Differentiable Grid Sample Pruning for Generalizable Vision-Language-Action Model

See What Matters: Differentiable Grid Sample Pruning for Generalizable Vision-Language-Action Model

Yixu Feng, Zinan Zhao, Yanxiang Ma, Chenghao Xia, Chengbin Du, Yunke Wang, Chang Xu

机构 * The University of Sydney（悉尼大学） ； City University of Hong Kong（香港城市大学） 纠错

专题命中 VLA模型 ：vision-language-action(title,title_cn)；action model(title,title_cn)；VLA(abstract,abstract_cn)；分类 cs.RO、cs.CV

AI总结 本文提出了一种基于可微网格采样的视觉-语言-动作模型压缩方法，通过连续的token重采样保留关键空间信息，实现高达90%的计算量减少而不影响性能。

Journal ref Proceedings of the Forty-third International Conference on Machine Learning, 2026

OxyGen: Unified KV Cache Management for VLA Inference under Multi-Task Parallelism

OxyGen: 为多任务并行下的VLA推理提供统一的KV缓存管理

Xiangyu Li, Huaizhi Tang, Xin Ding, Weijun Wang, Ting Cao, Yunxin Liu

机构 * Institute for AI Industry Research (AIR)（人工智能产业研究院） ； Department of Electronic Engineering（电子工程系） ； University of Science and Technology of China（中国科学技术大学） 纠错

专题命中 VLA模型 ：VLA(title,title_cn)；vision-language-action(abstract)；action model(abstract)；分类 cs.RO、cs.AI

AI总结 本文提出OxyGen，一种统一的KV缓存管理方法，用于在多任务并行下提高VLA推理效率，通过跨任务KV共享和跨帧连续批处理实现冗余计算和资源竞争的减少，从而在设备端实现更高的吞吐量和频率。

Comments Preprint

Dexora: Open-source VLA for High-DoF Bimanual Dexterity

Dexora: 开源的高自由度双臂灵巧性VLA系统

Zongzheng Zhang, Jingrui Pang, Zhuo Yang, Kun Li, Minwen Liao, Saining Zhang, Guoxuan Chi, Jinbang Guo, Huan-ang Gao, Modi Shi, Dongyun Ge, Yao Mu, Jiayuan Gu, Rui Chen, Hao Dong, Huazhe Xu, Li Yi, Yixin Zhu, Hang Zhao, Pengwei Wang, Shanghang Zhang, Guocai Yao, Jianyu Chen, Hongyang Li, Hao Zhao

机构 * Tsinghua University（清华大学） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） ； The University of Hong Kong（香港大学） ； Shanghai Jiao Tong University（上海交通大学） ； ShanghaiTech University（上海科技大学） ； Peking University（北京大学） 纠错

专题命中 VLA模型 ：VLA(title,title_cn)；vision-language-action(abstract,abstract_cn)；分类 cs.RO

AI总结 本文提出Dexora，首个开源的VLA系统，旨在双臂双手高自由度操作，通过混合遥控管道分离粗臂运动和精细手指运动，结合物理平台和数字孪生，构建大规模训练数据集，并提出数据质量感知训练方法，实验证明其在基础和灵巧任务上的优越性能。

Comments Accpeted by ICRA 2026

StableVLA: Towards Robust Vision-Language-Action Models without Extra Data

StableVLA: 向无额外数据的鲁棒视觉-语言-动作模型迈进

Yiyang Fu, Chubin Zhang, Shukai Gong, Yufan Deng, Kaiwei Sun, Qiyang Min, Qibin Hou, Yansong Tang, Jianan Wang, Daquan Zhou

机构 * Peking University（北京大学） ； Tsinghua University（清华大学） ； Nanjing University（南京大学） ； Nankai University（南开大学） 纠错

专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision-language-action(title,abstract)；action model(title)；分类 cs.RO、cs.CV

AI总结 本文研究了在未见真实世界视觉扰动下视觉-语言-动作（VLA）模型的鲁棒性问题，提出了一种基于信息理论的轻量级适配模块IB-Adapter，有效提升模型性能，同时保持高效和效果。

Comments Accepted by ICML 2026. Code: https://github.com/DAGroup-PKU/HumanNet. Project website: https://dagroup-pku.github.io/StableVLA/

DriveMoE: Mixture-of-Experts for Vision-Language-Action Model in End-to-End Autonomous Driving

DriveMoE：面向端到端自动驾驶的视觉-语言-动作混合专家模型

Zhenjie Yang, Yilin Chai, Xiaosong Jia, Qifeng Li, Yuqian Shao, Xuekai Zhu, Haisheng Su, Junchi Yan

机构 * Sch. of Computer Science & Sch. of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学计算机科学学院与人工智能学院） ； Institute of Trustworthy Embodied AI, Fudan University（复旦大学可信具身人工智能研究院） ； Shanghai Key Laboratory of Multimodal Embodied AI（上海多模态具身人工智能重点实验室） ； AnyScale AI Project（AnyScale AI项目） 纠错

专题命中 VLA模型 ：vision-language-action(title,abstract)；action model(title)；VLA(abstract,abstract_cn)；分类 cs.RO、cs.CV、cs.AI

AI总结 本文提出DriveMoE，一种基于混合专家架构的端到端自动驾驶框架，通过场景专用的视觉混合专家和技能专用的动作混合专家，实现了对复杂驾驶场景的有效处理，展示了在自动驾驶任务中结合视觉和动作混合专家的有效性。

Comments Accepted by CVPR 2026, Project Page: https://thinklab-sjtu.github.io/DriveMoE/

Global Prior Meets Local Consistency: Dual-Memory Augmented Vision-Language-Action Model for Efficient Robotic Manipulation

全局先验与局部一致性：双内存增强的视觉-语言-动作模型用于高效机器人操作

Zaijing Li, Bing Hu, Rui Shao, Gongwei Chen, Dongmei Jiang, Pengwei Xie, Jianye Hao, Liqiang Nie

机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； PengCheng Laboratory（鹏城实验室） ； Shenzhen Loop Area Institute（深圳河套学院） ； Huawei Noah’s Ark Lab（华为诺亚实验室） 纠错

专题命中 VLA模型 ：vision-language-action(title,abstract)；action model(title)；VLA(abstract,abstract_cn)；分类 cs.RO、cs.CV、cs.AI

AI总结 本文提出OptimusVLA模型，通过引入全局先验内存和局部一致性内存，解决机器人操作中动作生成效率低和鲁棒性差的问题，从而在多个基准测试中实现了更高的成功率和更快的推理速度。

Comments Accepted by CVPR 2026

Contrastive Conceptor Activation Steering (COAST): Unlocking Vision-Language-Action Models through Hidden States

对比性概念激活引导（COAST）：通过隐藏状态解锁视觉-语言-动作模型

Miranda Muqing Miao, Subin Kim, Brandon Yang, Lyle Ungar

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

专题命中 VLA模型 ：vision-language-action(title,abstract)；action model(title)；VLA(abstract,abstract_cn)；分类 cs.RO、cs.AI、cs.LG

AI总结 本文提出COAST方法，通过识别成功子空间来提升视觉-语言-动作模型在机器人任务中的性能，其核心方法是利用概念投射来引导模型向成功分布发展，从而提高任务成功率。

Comments Submitted to NeurIPS 2026

Towards Long-Lived Robots: Continual Learning VLA Models via Reinforcement Fine-Tuning

迈向长寿命机器人：通过强化微调实现持续学习的VLA模型

Yuan Liu, Haoran Li, Shuai Tian, Yuxing Qin, Yuhui Chen, Yupeng Zheng, Yongzhen Huang, Dongbin Zhao

机构 * CASIA（中国科学院自动化研究所） 纠错

专题命中 VLA模型 ：VLA(title,title_cn)；分类 cs.RO

AI总结 本文提出LifeLong-RFT方法，通过整合分块级在线强化学习与多维过程奖励机制，提升VLA模型在多任务学习中的性能，实现持续学习。

AffordVLA: Injecting Affordance Representations into Vision-Language-Action Models via Implicit Feature Alignment

AffordVLA: 通过隐式特征对齐将 affordance 表示注入到视觉-语言-动作模型中

Weijie Kong, Zhian Su, Wei Yu, Huixu Dong

机构 * Grasp Lab, School of Mechanical Engineering of Zhejiang University（浙大机械工程学院抓取实验室） 纠错

专题命中 VLA模型 ：vision-language-action(title,abstract)；action model(title)；VLA(abstract,abstract_cn)；分类 cs.RO

AI总结 本文提出 AffordVLA 框架，通过隐式特征对齐将以操作为中心的 affordance 表示注入到视觉-语言-动作模型中，以提升动作准确性，实验表明其在仿真和现实中的表现优于现有方法。

Comments 13pages, 10figures

Event-Grounded Sparse Autoencoders for Vision-Language-Action Policies

基于事件的稀疏自编码器用于视觉-语言-动作策略

Xinchen Jin, Aditya Chatterjee, Pranav Kumar, Rohan Paleja

机构 * Department of Computer Science, Purdue University West Lafayette, IN 47907（计算机科学系，普渡大学西拉法叶分校，印第安纳州，47907） 纠错

专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision-language-action(title,abstract)；分类 cs.RO、cs.AI

AI总结 本文提出了一种基于事件的稀疏自编码器（SAE）分析方法，用于视觉-语言-动作（VLA）策略的可解释性研究，通过行为事件锚定SAE特征分析，提升了对闭合回路行为的因果影响和可解释性。

Learning Native Continuation for Action Chunking Flow Policies

学习原生延续以实现动作分块流策略

Yufeng Liu, Hang Yu, Juntu Zhao, Bocheng Li, Di Zhang, Mingzhu Li, Wenxuan Wu, Yingdong Hu, Junyuan Xie, Junliang Guo, Dequan Wang, Yang Gao

机构 * Spirit AI 纠错

专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision language action(abstract,abstract_cn)；分类 cs.RO、cs.AI

AI总结 本文提出Legato方法，通过训练时的延续技术改进动作分块流基于VLA策略，减少动作边界不连续性和伪多模态切换，提升轨迹平滑度和任务完成效率。

Comments Accepted by Robotics: Science and Systems 2026 (RSS 2026). Project page: https://lyfeng001.github.io/Legato/

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 VLA模型 ：VLA(title,abstract)；action model(abstract)；分类 cs.CV、cs.AI

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。

CLAP: Contrastive Latent-space Prompt Optimization for End-to-end Autonomous Driving

CLAP：用于端到端自动驾驶的对比潜在空间提示优化

Ruiyang Zhu, Yuehan He, Boyuan Zheng, Zesen Zhao, Ahmad Chalhoub, Qingzhao Zhang, Z. Morley Mao

机构 * University of Michigan（密歇根大学） ； University of Arizona（亚利桑那大学） 纠错

专题命中 VLA模型 ：VLA(abstract,abstract_cn)；vision-language-action(abstract)；分类 cs.RO、cs.CV、cs.AI

AI总结 本文提出CLAP方法，通过对比潜在空间提示优化解决自动驾驶中罕见但安全关键的长尾场景问题，利用V2X通信获取数据并优化提示，从而提升规划性能。

Comments 9 pages + appendix

Self-Supervised Bootstrapping of Action-Predictive Embodied Reasoning

基于互联网规模知识的自监督行动预测具身推理

Milan Ganai, Katie Luo, Jonas Frey, Clark Barrett, Marco Pavone

机构 * Stanford（斯坦福大学） ； UC Berkeley（加州大学伯克利分校） ； NVIDIA（英伟达） 纠错

专题命中 VLA模型 ：VLA(abstract,abstract_cn)；vision-language-action(abstract)；分类 cs.RO、cs.CV、cs.AI

AI总结 本文提出R&B-EnCoRe方法，通过自监督细化使模型从互联网知识中自推导具身推理策略，提升动作执行和导航性能，减少碰撞率。

Comments Robotics: Science and Systems (RSS) 2026

FASTER: Rethinking Real-Time Flow VLAs

FASTER：重新思考实时流视频语言动作

Yuxiang Lu, Zhe Liu, Xianzhe Fan, Zhenya Yang, Jinghua Hou, Junyi Li, Kaixin Ding, Hengshuang Zhao

机构 * The University of Hong Kong（香港大学） ； ACE Robotics（ACE机器人） 纠错

专题命中 VLA模型 ：VLA(abstract,abstract_cn)；vision-language-action(abstract)；分类 cs.RO、cs.CV

AI总结 本文提出FASTER方法，通过引入时间感知调度策略，显著降低实时流视频语言动作系统的反应延迟，提升动态任务中的轨迹生成效率与质量。

Comments Project page: https://innovator-zero.github.io/FASTER

GRaD-Nav++: Vision-Language Model Enabled Visual Drone Navigation with Gaussian Radiance Fields and Differentiable Dynamics

GRaD-Nav++: 基于视觉-语言模型的视觉无人机导航：高斯辐射场与可微动力学

Qianzhong Chen, Naixiang Gao, Suning Huang, JunEn Low, Timothy Chen, Jiankai Sun, Mac Schwager

机构 * Department of Mechanical Engineering, Stanford University（斯坦福大学机械工程系） ； Department of Aeronautics and Astronautics, Stanford University（斯坦福大学航空航天工程系） 纠错

专题命中 VLA模型 ：VLA(abstract,abstract_cn)；vision-language-action(abstract)；分类 cs.RO

AI总结 GRaD-Nav++提出一种轻量级视觉-语言-动作框架，通过可微强化学习在3D高斯点云模拟器中训练，实现基于自然语言指令的实时无人机导航，展示在多任务和多环境下的高效导航能力。

Comments Published in: IEEE Robotics and Automation Letters ( Volume: 11, Issue: 2, February 2026)

Journal ref Chen, Qianzhong, et al. "Grad-nav++: Vision-language model enabled visual drone navigation with gaussian radiance fields and differentiable dynamics." IEEE Robotics and Automation Letters 11.2 (2025): 1418-1425

Learning Lifted Action Models from Traces with Minimal Information About Actions and States

从动作轨迹中学习提升的动作模型：最少关于动作和状态的信息

Jonas Gösgens, Niklas Jansen, Hector Geffner

机构 * RWTH Aachen University（亚琛工业大学） 纠错

专题命中 VLA模型 ：action model(title)；分类 cs.AI

AI总结 本文研究了在不完全信息下从动作轨迹中学习STRIPS+动作域的问题，提出了三种通用情况下的算法和完备性结果，假设选定的动作参数完全可观察，从而在不同可观察性假设下确定等效域的学习条件。

Comments accepted at KR2026

Key-Gram: Extensible World Knowledge for Embodied Manipulation

Key-Gram: 用于具身操作的可扩展世界知识

Jingjing Fan, Siyuan Li, Botao Ren, Zhidong Deng

机构 * Department of Computer Science and Technology（计算机科学与技术系） ； Department of Automation（自动化系） 纠错

专题命中 VLA模型 ：vision-language-action(abstract)；action model(abstract)；分类 cs.RO、cs.AI

AI总结 本文提出Key-Gram框架，通过分离语言知识与视觉状态推理，提升具身控制中对组合语言指令的理解和执行能力，主要贡献是引入可扩展的外部记忆模块以提高迁移和现实世界操作性能。

Comments 16 pages, 5 figures

Scalable Packed Layouts for Vector-Length-Agnostic ML Code Generation

可扩展的打包布局用于向量长度无关的机器学习代码生成

Ege Beysel, Maximilian Bartel, Jan Moritz Joseph

专题命中 VLA模型 ：VLA(abstract,abstract_cn)

AI总结 本文提出了一种基于向量长度感知的打包数据布局和编译器扩展的方法，用于在端到端的机器学习编译流水线中实现向量长度无关的代码生成，通过在MLIR/IREE中集成这些机制，扩展了tiling、融合和向量化操作以支持可扩展的向量长度，实验表明该方法在实际机器学习工作负载上生成的SVE代码性能优于现有的NEON代码生成，且在生产编译器环境中表现出色。

Probing the Mass-loss Histories of Type IIn and II-L Supernovae with Late-time Radio Observations

通过晚期无线电观测探测Ia型II和II-L超新星的物质损失历史

Charles D. Kilpatrick, Lindsay DeMarchi, Wen-fai Fong, Jennifer E. Andrews, Ori D. Fox, Nathan Smith

专题命中 VLA模型 ：VLA(abstract,abstract_cn)

AI总结 通过晚期无线电观测研究Ia型II和II-L超新星的物质损失历史，发现其物质分布范围广，且核心塌缩前的物质损失历史影响显著。

Comments submitted to ApJ

A 14-year-old Mystery: The Peculiar Case of the Engine-driven SN 2012ap

14岁之谜：引擎驱动的SN 2012ap奇特案例

Itai Sfaradi, Raffaella Margutti, Ryan Chornock, A. J. Nayana, Eli Wiston, Fabio De Colle, Tracy E. Clarke, Wendy M. Peters, Paz Beniamini, Wenbin Lu, Rodolfo Barniol Duran, Michael Bietenholz, Collin T. Christy, Deanne L. Coppejans, Maria R. Drout, Dina Ibrahimzade, Michal J. Michalowski, Dan Milisavljevic, Conor M. B. Omand, Yihan Wang, Kate D. Alexander, Carles Badenes, Joe Bright, Jonathan Granot, Erica Hammerstein, Wynn V. Jacobson-Galan, Natalie LeBaron, Kohta Murase, Gitika Rameshan, Huei Sears, Michael Stroh, Giacomo Terreran

专题命中 VLA模型 ：VLA(abstract,abstract_cn)

AI总结 研究SN 2012ap在晚期的光学、X射线和无线电观测，探讨其可能的引擎驱动爆炸机制，分析无线电增强现象可能源于密度增强或偏轴相对论喷流，提出未来VLBA观测将揭示其真实性质。

Comments 24 pages, 8 figures, 5 tables; Submitted to ApJ

DiffWind: Physics-Informed Differentiable Modeling of Wind-Driven Object Dynamics

DiffWind: 基于物理的可微风驱物体动力学建模

Yuanhang Lei, Boming Zhao, Zesong Yang, Xingxuan Li, Tao Cheng, Haocheng Peng, Ru Zhang, Yang Yang, Siyuan Huang, Yujun Shen, Ruizhen Hu, Hujun Bao, Zhaopeng Cui

机构 * State Key Laboratory of CAD & CG（CAD与计算机图形学国家重点实验室） ； State Key Laboratory of General Artificial Intelligence（通用人工智能国家重点实验室） ； Ant Group（蚂蚁集团） ； Shenzhen University（深圳大学） 纠错

专题命中 VLA模型 ：action model(abstract)；分类 cs.CV

AI总结 本文提出DiffWind，一种基于物理的可微框架，统一了风-物体相互作用建模、基于视频的重建和正向模拟。通过将风表示为基于网格的物理场，物体表示为从3D高斯点散布派生的粒子系统，并利用材料点方法（MPM）建模其相互作用，从而实现了对风驱物体动力学的重建。此外，本文还引入了WD-Objects数据集，通过大量实验证明了该方法在重建精度和模拟保真度方面显著优于现有动态场景建模方法。

Comments Accepted by ICLR 2026. Project page: https://zju3dv.github.io/DiffWind/

Constraining the magnetic field strength of a flaring radio core in the compact steep spectrum source 3C 138

约束紧凑陡谱源3C 138射电核心的磁场强度

Shan Li, Sang-Sung Lee, Whee Yeon Cheong, Tao An, Seiji Kameno, Ruediger Kneissl

专题命中 VLA模型 ：VLA(abstract_cn)

AI总结 通过分析3C 138在高态下的射电波动和高能活动，研究其喷流物理条件的变化，利用KVN数据估计同步辐射自吸收（SSA）磁场并将其与等分磁场均值（B_eq）进行比较，发现SSA磁场远低于等分磁场，表明核心磁场环境受粒子主导。

Comments 10 pages, 7 figures. Accepted for publication in Astronomy & Astrophysics (A&A)

How to Instruct Your Robot: Dense Language Annotations Power Robot Policy Learning

如何指导你的机器人：密集语言标注助力机器人策略学习

Bosung Kim, Ruiyi Wang, David Acuna, Jaehun Jung, Alexander Trevithick, Brandon Cui, Yejin Choi, Prithviraj Ammanabrolu

机构 * University of California, San Diego（加州大学圣地亚哥分校） ； NVIDIA 纠错

专题命中 动作表示与策略 ：vision-language-action(abstract)；action model(abstract)；分类 cs.RO、cs.AI

AI总结 本研究通过密集语言标注提升机器人策略学习效率，提出DeMiAn方法，利用视觉语言模型生成多方面标注，提升策略和世界模型性能，无需新增演示数据。

PRIME: Physically-consistent Robotic Inertial and Motion Estimation for Legged and Humanoid Robots

PRIME: 为四足机器人和人形机器人提供物理一致的机器人惯性与运动估计

Jiarong Kang, Kunzhao Ren, Tao Pang, Xiaobin Xiong

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Shanghai Innovation Institute（上海创新研究院） 纠错

专题命中 动作表示与策略 ：robot foundation model(abstract)；分类 cs.RO

AI总结 该研究提出PRIME方法，通过结合可微接触动力学和光滑互补约束，实现从 onboard 传感器数据中获得物理一致的运动轨迹和惯性参数估计，从而提升机器人运动估计的准确性。

Comments Robotics: Science and Systems 2026