VLA / 视觉-语言-动作模型

Robots Need More than VLA and World Models

机器人需要的不仅仅是VLA和世界模型

Elis Karcini, Faisal Mehrban, Quang Nguyen, Mac Schwager, Arash Ajoudani, Cesar Cadena, Jan Peters, Marco Hutter, Haitham Bou-Ammar

机构 * Motoniq.ai ； Stanford University（斯坦福大学） ； Istituto Italiano di Tecnologia（意大利技术研究院） ； ETH Zurich（苏黎世联邦理工学院） ； Technical University of Darmstadt（德累斯顿技术大学） ； UCL Centre for AI（伦敦大学学院人工智能中心） 纠错

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

AI总结 本文认为机器人通用智能的关键瓶颈不仅是策略学习，还缺乏将非结构化行为数据转化为机器人可用监督的机制，并提出了四种缺失的接口组件。

Coarse-to-Control: Action-Token Planning for Vision-Language-Action Models

粗到细控制：面向视觉-语言-动作模型的行动令牌规划

Jinhao Wu, Shiduo Zhang, Yicheng Liu, Xiaopeng Yu, Sixian Li, Siyin Wang, Hang Zhao, Jing Huo, Yang Gao, Jingjing Gong, Xipeng Qiu, Yu-Gang Jiang

机构 * Nanjing University（南京大学） ； Shanghai Innovation Institute（上海创新研究院） ； Fudan University（复旦大学） ； Tsinghua University（清华大学） 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

AI总结 提出Coarse-to-Control框架，在动作令牌空间中引入原生规划，通过先预测粗粒度动作令牌序列再生成可执行动作，提升长程任务性能。

Think Like a Pilot: Fine-Grained Long-Horizon UAV Navigation

像飞行员一样思考：细粒度长时程无人机导航

Xiangyi Zheng, Xiangyu Wang, Qinan Liao, Zimu Tang, Yue Liao, Dongyue Lyu, Guodong Wang, Junjie Liu, Si Liu

机构 * Colab ； Beihang University（北航） ； Meituan（美团） ； National University of Singapore（新加坡国立大学） 纠错

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

AI总结 提出FLIGHT基准和FLIGHT VLA异步架构，通过低频飞行员推理VLM与高频扩散动作模型解耦，实现无人机长时程语义指令下的平滑连续飞行控制。

Dreaming when Necessary: Advancing World Action Models with Adaptive Multi-Modal Reasoning

必要时做梦：通过自适应多模态推理推进世界行动模型

Yinzhou Tang, Jingbo Xu, Yu Shang, Zihao Song, Chen Gao, Wei Wu, Yong Li

机构 * Tsinghua University（清华大学） ； Manifold AI 纠错

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

AI总结 提出AdaWAM，通过轻量动态路由器自适应触发文本或视觉推理，提升长时复杂任务中的推理效率和性能。

ViVa: A Video-Generative Value Model for Robot Reinforcement Learning

ViVa：用于机器人强化学习的视频生成价值模型

Jindi Lv, Hao Li, Jie Li, Fankun Kong, Yang Wang, Pengfei Yi, Yifei Nie, Xiaofeng Wang, Zheng Zhu, Chaojun Ni, Qiuping Deng, Hengtao Li, Jiancheng Lv, Guan Huang

机构 * GigaAI ； Sichuan University（四川大学） ； Tsinghua University（清华大学） 纠错

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

AI总结 提出ViVa，利用预训练视频生成器联合预测未来本体感受和标量价值，通过时空先验实现可靠价值估计，在三个任务中取得最优结果，与RECAP结合平均成功率达80%。

STRIPS-WM: Learning Grounded Propositional STRIPS-style World Models from Images

STRIPS-WM：从图像学习基于命题的STRIPS风格世界模型

Abhiroop Ajith, Constantinos Chamzas

机构 * Worcester Polytechnic Institute（沃斯特理工学院） 纠错

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

AI总结 提出STRIPS-WM框架，从图像转换中学习符号化世界模型，用于机器人视觉任务规划，提升规划成功率。

A Dynamic Self-Evolving Extraction System

一种动态自演化抽取系统

Moin Amin-Naseri, Hannah Kim, Estevam Hruschka

机构 * Megagon Labs（Megagon实验室） 纠错

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

AI总结 提出DySECT系统，通过LLM抽取三元组构建知识库，结合概率知识和图推理丰富知识，再反馈优化抽取器，形成闭环持续提升。

The topology of local quaternionic toric actions

局部四元数典范作用的拓扑

Panagiotis Batakidis, Ioannis Gkeneralis

专题命中 VLA模型 ：action model(abstract)

AI总结 本文研究了配备局部四元数典范作用的流形拓扑，基于四元数环面的正则表示，通过构造Leray-Serre和Atiyah-Hirzebruch谱序列，揭示了流形的上同调和K-理论结构，并在四维情况下发展了四元数版本的Meyer签名公式。

Comments 36 pages, comments are welcome

Chameleon: Control-Indexed Prospective Memory for Visuomotor Manipulation

Chameleon: 用于视觉运动操控的索引控制前瞻记忆

Xinying Guo, Chenxi Jiang, Hyun Bin Kim, Yuhang Han, Ying Sun, Yang Xiao, Jianfei Yang

机构 * MARS Lab, Nanyang Technological University（南洋理工大学MARS实验室） ； Institute for Infocomm Research, A*STAR, Singapore（新加坡*STAR信息与通信研究所） ； National University of Singapore（新加坡国立大学） 纠错

专题命中 数据集与评测 ：VLA(abstract,abstract_cn)；分类 cs.RO、cs.CV、cs.AI

AI总结 提出Chameleon策略，通过索引控制前瞻记忆解决观察-动作延迟问题，在Camo-Dataset上决策成功率从22.5%提升至80.8%，并在多个基准上达到最优。

Comments Code is available at https://github.com/gxyes/MARS_Chameleon

Robotic Policy Adaptation via Weight-Space Meta-Learning

通过权重空间元学习实现机器人策略自适应

Christian Bianchi, Siamak Yousefi, Alessio Sampieri, Andrea Roberti, Luca Rigazio, Fabio Galasso, Luca Franco

机构 * ItalAI ； University of Verona（威尼斯大学） ； Sapeinza University of Rome（罗马萨佩因扎大学） 纠错

专题命中 部署与泛化 ：VLA(abstract,abstract_cn)；vision-language-action(abstract)；分类 cs.RO、cs.CV、cs.LG

AI总结 提出WIZARD框架，通过权重空间元学习从语言指令和演示视频生成任务特定LoRA参数，无需微调即可适应新任务，在LIBERO上性能提升高达14倍。