VLA / 视觉-语言-动作模型

How Should Vision-Language-Action Models Use Proprioceptive State?

视觉-语言-动作（VLA）模型应如何使用本体感受状态？

Yiren Zhao, Ziyang Chen, Ziyang Rao, Pengteng Li, He Zhang, Weiyu Guo, Yandong Guo, Rushi Dai

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

AI总结 本研究针对视觉-语言-动作（VLA）模型的本体感受状态接入方式开展受控实验，探究状态接入位置、历史长度等问题，得出系统性答案并提炼为可验证的VLA模型设计原则。

ActQuant: Sub-4-bit Action-Guided Quantization for Vision-Language-Action Models

ActQuant: 面向视觉-语言-动作模型的亚4比特动作引导量化

Arash Akbari, Arman Akbari, Masih Eskandar, Qitao Tan, Yixiao Chen, Jingwu Luo, Bertha Pangaribuan, Liyun Zhang, Jennifer Dy, Geng Yuan, Xue Lin, Gaowen Liu, Stratis Ioannidis, Yanzhi Wang

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

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

AI总结 提出ActQuant框架，通过动作引导的混合精度后训练量化，在亚4比特权重量化下保持VLA模型性能，并引入OmniModel.cpp实现高效部署。

VLAFlow: A Unified Training Framework for Vision-Language-Action Models via Co-training and Future Latent Alignment

VLAFlow：通过协同训练和未来潜在对齐的视觉-语言-动作模型统一训练框架

Guoyang Xia, Fengfa Li, Hongjin Ji, Lei Ren, Fangxiang Feng, Kun Zhan, Yan Xie

机构 * Li Auto Inc.（理想汽车） ； School of Artificial Intelligence, Beijing University of Posts and Telecommunications（北京邮电大学人工智能学院） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） 纠错

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

AI总结 提出VLAFlow统一框架，比较四种训练范式，发现语言监督保持视觉-语言泛化，未来潜在对齐改进状态转换建模，两者结合实现最佳迁移性能。

ValueFormer: A Causal Transformer Value Function with Stage-Aware Labels for Semi-Autonomous Vision-Language-Action Policies

ValueFormer：面向半自主视觉-语言-动作策略的、具有阶段感知标签的因果变换价值函数

Inkyu Sa, Konstantin Stulov, Rajat Bhageria

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 ValueFormer，一种带阶段感知标签的因果变换价值函数，用于半自主 VLA 策略，在真实机器人双手机器人三明治组装任务上提升了任务完成率并降低了服务成本。

Comments 22 pages, 17 figures, 8 tables

ChainVLA: Chaining Vision-Language-Action Queries through a Unified Execution State for Long-Horizon Manipulation

ChainVLA：通过统一执行状态串联视觉-语言-动作查询以实现长 horizon 操纵

Yuzhi Huang, Weijue Bu, Ziyi Xiong, Jie Wu, Fanding Huang, Jingyan Jiang, Zhi Wang

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

AI总结 ChainVLA 是 12 亿参数的 VLA 策略，通过联合可修订的执行状态串联查询，结合进展上下文与运动尾部，在长 horizon 操纵任务中大幅提升成功率， ablation 验证了两个组件的关键作用。

Comments 13 pages (9 main + 4 appendix), 4 figures. Project page: https://muqy1818.github.io/chainvla-web/

DRIFT: Derailing Denoising Trajectories of Flow-Matching VLAs with Adversarial Patch Attack

DRIFT：通过对抗性补丁攻击破坏流匹配视觉-语言-动作（VLA）模型的去噪轨迹

Hoseong Tae, Jong-Seok Lee

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

AI总结 该研究提出DRIFT对抗性补丁攻击方法，针对流匹配VLA模型pi0等，通过攻击首个去噪步骤破坏其去噪轨迹，在LIBERO套件上高效破解原本可解决的机器人任务，效果优于相关基线攻击。

Continue or Replan? Bernoulli-Continuation Policy Learning for Adaptive Horizon Execution

继续还是重规划？用于自适应执行时长的伯努利继续策略学习

Weichen Xu, Zhenhua Liu, Lin Luo, Yaobo Liang, Chengtang Yao, Qingyu Mei, Jian Cao, Xixin Cao, Xing Zhang, Jiaolong Yang, Baining Guo

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

AI总结 针对现有VLA模型固定执行时长重规划的局限，提出BCP框架，通过强化学习训练自适应时长选择，在多个仿真任务、真实机器人任务上提升了成功率，且运行时间更短。

Comments Project page: https://fleetfootwork.github.io/BCP/

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 VLA模型 ：VLA(title_cn,summary_cn)；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/

Structure-Aware Robust Fine-Tuning: Defending Vision-Language-Action Robots Against Physical Attention Hijacking

结构感知鲁棒微调：防御视觉-语言-动作机器人抵御物理注意力劫持

Jinquan Zhang, Dongfu Yin, Run Yang, Yufeng Yan, Zhen Tian, F. Richard Yu

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

AI总结 本研究针对视觉-语言-动作机器人面临的物理注意力劫持攻击，提出注意力引导语义破坏攻击方法，并开发结构感知鲁棒微调防御方法，大幅降低攻击失败率并提升真实机械臂操控成功率。

Comments Accepted to the 2026 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2026)

Track4Action: Distilling World-Centric 3D Tracker into Vision-Language-Action Policies

Track4Action：将以世界为中心的3D跟踪器提炼为视觉-语言-动作策略

Chenyi Wang, Xinkai Wang, Bokai Lin, Jialin Tian, Fucheng Zhang, Cewu Lu, Lixin Yang

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

AI总结 Track4Action框架将以世界为中心的冻结3D跟踪器提炼为视觉-语言-动作策略，在多个机器人任务基准上显著提升性能，验证了动作对齐的3D跟踪器特征作为监督的有效性。

Deferred Exposure of Future Trajectories for Verifiable Reasoning in Autonomous Driving VLMs

用于自动驾驶视觉语言模型可验证推理的未来轨迹延迟暴露

Zixuan Huang, Yang Zhou, Kaixuan Wang, Guli Zhang, Hongyan Xie, Yakun Zhu, Hao Geng, Xiaozhi Chen, Yikun Ban, Deqing Wang

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

AI总结 该研究针对自动驾驶VLA模型的轨迹锚定偏差问题，提出AD-MCQ规划框架与DEFT-RLVR方法，将未来轨迹转化为决策后验证目标，提升了自动驾驶推理能力并保留了通用视觉能力。

LiLa-WAM: Lightweight Latent Reasoning World-Action Model for Robotic Manipulation

LiLa-WAM：用于机器人操控的轻量级隐式推理世界-动作模型

Fan Yang, Yuting Su, Xiaobo Wang, Yuncheng You, Fugui Fan, Yuting Wu, Minghui Wu, Chenxu Zhao, JiaHong Ning, Peiguang Jing

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

AI总结 本研究提出轻量级世界-动作模型LiLa-WAM，通过联合未来状态预测与动作生成的紧凑隐式空间设计实现端到端单GPU训练，结合视觉转换令牌完成任务指定，在RoboTwin等任务上取得90.48%的成功率，提升了机器人操控的效率与实用性。

New Spatially Resolved Observations of Betelgeuse from the VLA and ALMA: Evidence for Atmospheric Perturbations from a Close Companion

L. D. Matthews, A. K. Dupree, A. M. S. Richards, W. R. F. Dent

专题命中 VLA模型 ：VLA(title)

Comments 23 pages, 13 figures, 6 tables. Accepted to the Astronomical Journal

WCM: World-Cognition Model for Generalizable Human-Robot Interaction

WCM：用于通用人机交互的世界认知模型

Yuzhen Chen, KC Zhou

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

AI总结 针对机器人在物理任务交互困难的问题，提出基于SLAK架构和异步运行时的世界认知模型（WCM），引入人在回路教学模式，经思维链监督改进模型，在九个现实世界人机交互任务中平均成功率达73.8%。

An algebra for covariant observers in de Sitter space

de Sitter空间中协变观察者的代数

Bin Chen, Jie Xu

专题命中 VLA模型 ：action model(abstract,comments)

AI总结 本文提出一种在de Sitter空间中协变观察者的代数框架，通过考虑波动的静态补丁内所有自由度，推广了局部代数的概念，并展示了其在量子引力中的应用。

Comments 37 pages, 2 figures. Any comments are welcomed. v2: Significant revisions on arguments, conclusion unchanged. An action model for covariant observer added. v3: Version submitted to JHEP. Clarifications and references added

Memdora: Designing Cognitively-Grounded Flashcard Interactions for AI-Powered Spaced Repetition

Memdora：为人工智能驱动的间隔重复设计基于认知的抽认卡交互

Ruiyang Zhang

专题命中 VLA模型 ：action model(abstract)

AI总结 Memdora针对现有抽认卡交互模型的局限，提出跨平台人工智能间隔重复系统。通过认知交互分类法、统一生成管道、协作课堂层及行为奖励系统四项贡献改进，集成FSRS - 6算法并公开部署，推动了教育技术设计。

Comments 12 pages, 8 figures. Submitted to ACM IUI 2027