VLA / 视觉-语言-动作模型

RL$^2$-VLA: Adaptive RL Latent Compositional Steering with Test-Time Scaling for Vision-Language-Action Models

RL²-VLA：面向视觉-语言-动作模型的测试时缩放自适应RL隐成分引导

Derek Ming Siang Tan, Shailesh Shailesh, Srikrishna Iyer, William Wei Jie Teo, Yuanliang Ju, Qiao Gu, Guillaume Sartoretti

机构 * National University of Singapore（新加坡国立大学） ； University of Toronto（多伦多大学） ； Singapore Technologies Engineering（新加坡科技工程公司） 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

AI总结 针对VLA模型分布外任务性能下降问题，提出基于VLA隐空间的自适应推理时引导框架RL²，仅在预测失败时激活成分引导，在SIMPLER等基准上分布外成功率最高提升17.3%，可迁移至真实世界。

Comments Code and models are available at https://rl2-vla.github.io

VP-VLA: Visual Prompting as an Interface for Vision-Language-Action Models

VP-VLA：作为视觉语言动作模型接口的视觉提示

Zixuan Wang, Yuxin Chen, Yuqi Liu, Jinhui Ye, Pengguang Chen, Changsheng Lu, Shu Liu, Bei Yu, Jiaya Jia

机构 * HKUST（香港科技大学） ； CUHK（香港大学） ； SmartMore（SmartMore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

AI总结 VP-VLA通过结构化视觉提示接口解耦高层推理与低层执行，提升空间精度和鲁棒性，实验证明优于现有端到端基线。

Comments Project page: https://visualprompt-vla.github.io/

FIRE-VLA: Failure-Informed Self-Evolution for Vision-Language-Action Models in Autonomous Driving

FIRE-VLA：面向自动驾驶的视觉-语言-动作模型的故障感知自演化

Hao Dou

机构 * Harbin Institute of Technology（哈尔滨工业大学） 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 该研究针对自动驾驶VLA模型，提出FIRE-VLA故障感知自演化框架，结合GRPO与自蒸馏，在nuScenes数据集上降低了规划误差与故障流行率，提升了模型性能。

RLinf-VLA: A Unified and Efficient Framework for Reinforcement Learning of Vision-Language-Action Models

RLinf-VLA: 一种用于视觉-语言-动作模型强化学习的统一高效框架

Hongzhi Zang, Mingjie Wei, Si Xu, Yongji Wu, Zhen Guo, Yuanqing Wang, Hao Lin, Peihong Wang, Liangzhi Shi, Yuqing Xie, Zhexuan Xu, Zhihao Liu, Kang Chen, Wenhao Tang, Quanlu Zhang, Weinan Zhang, Chao Yu, Yu Wang

机构 * Tsinghua University（清华大学） ； Zhongguancun Academy（中关村学院） ； Infinigence AI ； Peking University（北京大学） ； UC Berkeley（加州大学伯克利分校） ； Harbin Institute of Technology（哈尔滨工程学院） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） 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 RLinf-VLA是一种统一高效的框架，用于提升视觉-语言-动作模型在具身环境中的强化学习性能，通过统一接口和高效资源分配实现统一和可扩展的训练。

Comments Accepted to RSS 2026. This is the technical report of the RLinf Team, focusing on the algorithm side. For the system-level design, please refer to arXiv:2509.15965. The open-sourced code link: https://github.com/RLinf/RLinf

STRONG-VLA: Decoupled Robustness Learning for Vision-Language-Action Models under Multimodal Perturbations

STRONG-VLA: 多模态扰动下视觉-语言-动作模型的解耦鲁棒性学习

Yuhan Xie, Yuping Yan, Yunqi Zhao, Handing Wang, Yaochu Jin

机构 * Zhejiang University（浙江大学） ； Westlake University（西湖大学） ； Xidian University（西安电子科技大学） 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STRONG-VLA框架，通过解耦鲁棒性学习与任务对齐优化，提升多模态扰动下的视觉-语言-动作模型鲁棒性与任务执行精度。

MMaDA-VLA: Large Diffusion Vision-Language-Action Model with Unified Multi-Modal Instruction and Generation

MMaDA-VLA: 基于统一多模态指令与生成的大型扩散视觉-语言-动作模型

Yang Liu, Pengxiang Ding, Tengyue Jiang, Xudong Wang, Wenxuan Song, Minghui Lin, Han Zhao, Hongyin Zhang, Zifeng Zhuang, Wei Zhao, Siteng Huang, Jinkui Shi, Donglin Wang

机构 * Westlake University（西湖大学） ； Zhejiang University（浙江大学） ； East China University of Science and Technology（华东理工大学） ； Huawei Celia Team（华为Celia团队） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； OpenHelix Robotics 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MMaDA-VLA模型，通过统一多模态理解与生成框架，解决机器人操控中的时序不一致和长周期误差累积问题，实现高效视觉-语言-动作生成。

Comments Accepted by ACM MM 2026

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 VLA模型 ：VLA(title,title_cn)；vision-language-action(title,abstract)；action model(title)；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。

FM-VLA: Force-based Memory for Vision-Language-Action Models in Contact-Rich Manipulation

FM-VLA：用于接触丰富操作中视觉-语言-动作模型的基于力的记忆

Ruicheng Li, Qixiu Li, Ruichun Ma, Yu Deng, Lin Luo, Zhiying Du, Jianfeng Xiang, Huizhi Liang, Ruicheng Wang, Jiaolong Yang, Baining Guo

机构 * Tsinghua University（清华大学） ； Microsoft Research（微软研究院） ； Fudan University（复旦大学） ； USTC（中国科学技术大学） 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 研究针对视觉-语言-动作模型在接触丰富操作中的时间上下文推理问题，提出FM-VLA模型，通过基于力的记忆编码及投影，利用累积接触事件历史指导操作，在相关任务上评估，轻量级力记忆表现出色，显著优于基线方法。

CosFly-VLA: A Spatially Aware Vision-Language-Action Model for UAV Tracking

CosFly-VLA：一种用于无人机跟踪的空间感知视觉-语言-动作模型

Ruilong Ren, Songsheng Cheng, Yunpeng Zhou, Hanxuan Chen, Xiangyue Wang, Tianle Zeng, Shuai Yuan, Binbo Li, Hanzhong Guo, Ji Pei, Da Zhang, Kangli Wang

机构 * Autel Robotics（大疆创新科技有限公司） ； Northeast Normal University（东北师范大学） ； Southern University of Science and Technology（南方科技大学） ； Peking University（北京大学） ； University of Hong Kong（香港大学） 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 针对复杂城市环境中无人机动态目标跟踪问题，提出CosFly-VLA模型，通过结构化预测接口联合定位目标、估计可见性并生成飞行动作。经多阶段训练，该模型在开环误差和闭环成功率上有显著提升，实现从可见帧模仿到空间基础动作闭环控制的进展。

Safe-Night VLA: Seeing the Unseen via Thermal-Perceptive Vision-Language-Action Models for Safety-Critical Manipulation

Safe-Night VLA: 通过热感知视觉-语言-动作模型看见未见事物以实现安全关键操作

Dian Yu, Qingchuan Zhou, Bingkun Huang, Majid Khadiv, Zewen Yang

机构 * Munich Institute of Robotics and Machine Intelligence (MIRMI), Technical University of Munich (TUM)（慕尼黑机器人与机器智能研究所（MIRMI），技术大学慕尼黑（TUM）） 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 Safe-Night VLA通过整合热感知技术，实现了安全关键操作中的非可见领域感知与稳健执行。

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

CAC-VLA: Context-Gated Action Conditioning for Vision-Language-Action Models

CAC-VLA：用于视觉-语言-动作模型的上下文门控动作条件调节

Yifu Xiong, Wenhao Yu, Jiaxuan Lin, Bojun Zou, Jiahao Li, Lu Zhang, Yanyong Zhang, Jianmin Ji

机构 * University of Science and Technology of China (USTC)（中国科学技术大学） ； Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（合肥综合性国家科学中心人工智能研究院） 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 研究视觉-语言-动作模型，提出上下文门控动作条件调节框架CAC-VLA，在视觉语言模型中学习轻量级潜在动作接口，训练模型预测潜在动作并通过上下文门调节动作专家，实验验证其有效性。

Comments 16 pages, 6 figures

CoRE-VLA: Towards Scalable and Robust Vision-Language-Action Modeling via Conditional Routing of Experts

CoRE-VLA：通过专家的条件路由实现可扩展且稳健的视觉-语言-动作建模

Haozhe Zhang, Sixian Li, Yifei Zhang, Zezheng Huai, Hao Chen, Chunhua Shen, Jingjing Gong, Xipeng Qiu

机构 * Zhejiang University（浙江大学） ； Shanghai Innovation Institute（上海创新研究院） ； Fudan University（复旦大学） ； Nanjing University（南京大学） ； Jilin University（吉林大学） 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 研究视觉-语言-动作模型在实际部署中的挑战，提出CoRE-VLA框架，通过上下文条件稀疏计算生成动作，利用传感器可用性和任务意图进行专家路由，实验证明其在多任务等方面表现出色。

Revisiting Parameter Redundancy in Vision-Language-Action Models: Insights from VLM-to-VLA Adaptation

重新审视视觉-语言-动作模型中的参数冗余：从VLM到VLA适配的见解

Fengnian Zhang, Tao Huang, Siyu Xu, Zhong Jin, Chang Xu

机构 * Computer Network Information Center, Chinese Academy of Sciences（中国科学院计算机网络信息中心） ； University of Chinese Academy of Sciences（中国科学院大学） ； School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学与工程学院） ； School of Computer Science, The University of Sydney（悉尼大学计算机科学学院） 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 通过分析VLM到VLA适配中参数差异的空间分布，设计多模块联合剪枝方案，在无需微调恢复的情况下减少12%-30%参数并保持约90%性能。

Comments 22 pages, 3 figures, ECCV 2026 Conference

ForesightSafety-VLA: A Unified Diagnostic Safety Benchmark for Vision-Language-Action Models

ForesightSafety-VLA：视觉-语言-动作模型的统一诊断安全基准

Mingyang Lyu, Yinqian Sun, Yiyang Jia, Sicheng Shen, Moquan Sha, Huangrui Li, Feifei Zhao, Yi Zeng

机构 * Brain-inspired Cognitive AI Lab, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所类脑认知智能实验室） ； Beijing Key Laboratory of Safe AI and Superalignment（北京市安全人工智能与超级对齐重点实验室） ； Beijing Institute of AI Safety and Governance（北京人工智能安全与治理研究所） ； Gaoling School of AI, Renmin University of China（中国人民大学高瓴人工智能学院） ； University of Chinese Academy of Sciences (UCAS)（中国科学院大学） 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 提出ForesightSafety-VLA基准，通过13类安全分类和三维变量控制，诊断VLA模型在物理交互、指令和感知侧的安全风险，并引入累积安全成本和风险暴露时间等过程级指标。

Comments 8 pages, 5 figures, 4 tables. Submitted to IROS 2026

DriveStack-VLA: Render-Teacher Alignment for BEV-Based DeepStack Vision-Language-Action Model

DriveStack-VLA: 基于BEV的DeepStack视觉-语言-动作模型的渲染-教师对齐

Jingke Wang, Zhenru Zhao, Shuangming Lei, Hao Su, Yuehao Huang, Yijia Xie, Kai Tang, Guanglin Xu, AiXue Ye, Yukai Ma, Yong Liu

机构 * Zhejiang University（浙江大学） ； The 2012 Labs, Huawei（华为2012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.CV

AI总结 提出DriveStack-VLA框架，通过DeepStack连接注入BEV表示并采用渲染-教师对齐增强空间感知，引入自批评模块优化轨迹选择，在多个驾驶基准上取得领先性能。

Co-VLA: Coordination-Aware Structured Action Modeling for Dual-Arm Vision-Language-Action Systems

Co-VLA：面向双臂视觉-语言-动作系统的协调感知结构化动作建模

Yandong Wang, Jiaqian Yu, Xiongfeng Peng, Lu Xu, Yamin Mao, Weiming Li, Jaewook Yoo, Dongwook Lee, Daehyun Ji, Mingbo Zhao, Chao Zhang

机构 * Donghua University（东华大学） ； Samsung R&D Institute China-Beijing (SRCB)（三星中国北京研究院） ； Samsung AI Center, DS Division（三星DS部门AI中心） 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 针对双臂紧耦合任务中隐式协调不足的问题，提出Co-VLA框架，通过结构化动作专家和潜在感知控制器显式引入协调先验，在仿真和真实场景中显著提升成功率和效率。

TTT-VLA: Test-Time Latent Prompt Optimization for Vision-Language-Action Models

TTT-VLA：面向视觉-语言-动作模型的测试时潜在提示优化

Wenbo Zhang, Jianxiong Li, Shuai Yang, Sijin Chen, Jiajun Liu, Lingqiao Liu, Xiao Ma

机构 * ByteDance Seed（字节跳动种子） ； The University of Adelaide（阿德莱德大学） ； Tsinghua University（清华大学） ； Zhejiang University（浙江大学） ； The University of Hong Kong（香港大学） ； CSIRO Data61 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 提出TTT-VLA框架，通过测试时优化潜在提示来适应分布偏移，无需修改策略本身，在SimperEnv上提升单/多实体任务成功率。

FATE-VLA:Failue-aware test generation for vision-language-action models

FATE-VLA：面向视觉-语言-动作模型的故障感知测试生成

Arusa Kanwal, Pablo Valle, Shaukat Ali, Aitor Arrieta

机构 * Mondragon University（蒙多龙大学） ； Simula Research Laboratory（Simula研究实验室） 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 提出一种结合多样性驱动探索与代理模型的故障感知测试生成方法，用于主动发现VLA模型在高维具身空间中的稀疏聚类故障，在四个先进模型上相比基线多发现高达29.7%的故障。

TIC-VLA: A Think-in-Control Vision-Language-Action Model for Robot Navigation in Dynamic Environments

TIC-VLA：一种用于动态环境中机器人导航的思考控制视觉-语言-动作模型

Zhiyu Huang, Yun Zhang, Johnson Liu, Rui Song, Chen Tang, Jiaqi Ma

机构 * University of California, Los Angeles（加州大学洛杉矶分校） 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 提出TIC-VLA模型，通过显式建模推理延迟并引入延迟语义-控制接口，结合异步训练流程，解决动态环境中视觉-语言-动作模型的推理与实时控制异步问题，在仿真和真实机器人上优于先前模型。

Comments International Conference on Machine Learning (ICML) 2026

VLA-Trace: Diagnosing Vision-Language-Action Models through Representation and Behavior Tracing

VLA-Trace: 通过表示与行为追踪诊断视觉-语言-动作模型

Haoyuan Shi, Xiancong Ren, Yingji Zhang, Qinfan Zhang, Jiayu Hu, Haozhe Shan, Han Dong, Jinpeng Lu, Yinda Chen, Yi Zhang, Yong Dai, Xiaozhu Ju

机构 * University of Science and Technology of China（中国科学技术大学） ； University of Manchester（曼彻斯特大学） ； Beihang University（北航） ； Fudan University（复旦大学） ； University of New South Wales（新南威尔士大学） 纠错

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

AI总结 提出VLA-Trace诊断框架，通过表示演化、因果控制归因和行为表现分析，揭示VLA模型在多模态知识向具身控制转化中的机制，发现不同模型在微调适应、多模态路由和语义遵循上的差异与局限。

Mag-VLA: Vision-Language-Action Model for Bimanual Magnetically Actuated Microrobot Manipulation

Mag-VLA：用于双臂磁驱动微机器人操作的视觉-语言-动作模型

Yongchen Wang, Kangyi Lu, Lan Wei, Dandan Zhang

机构 * Department of Bioengineering, Imperial-X, Imperial College London（生物工程系，Imperial-X，帝国理工学院伦敦） 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 提出Mag-VLA模型，利用双臂磁驱动微机器人实现灵巧操作，通过视觉-语言-动作框架和动作分块Transformer解码器，在真实机器人实验中达到90%接近成功率和最高80%运输成功率。

Comments Accepted by 2026 MARSS

VLA-Hijack: A Transferable Patch Attack against Vision-Language-Action Models via Visual Proprioception Hijacking

VLA-Hijack: 通过视觉本体感觉劫持实现针对视觉-语言-动作模型的可迁移补丁攻击

Jiyuan Fu, Kaixun Jiang, Jingkai Jia, Zhaoyu Chen, Xueyao Chen, Lingyi Hong, Shuyong Gao, Chenzhi Tan, Dingkang Yang, Wenqiang Zhang

机构 * Fudan University（复旦大学） ； The Hong Kong Polytechnic University（香港理工大学） 纠错

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

AI总结 提出VLA-Hijack框架，通过注意力引导的本体感觉抑制和多模态本体感觉注入攻击视觉自定位过程，实现跨架构黑盒迁移攻击。

VLA-REPLICA: A Low-Cost, Reproducible Benchmark for Real-World Evaluation of Vision-Language-Action Models

VLA-REPLICA: 一种低成本、可重复的现实世界评估视觉-语言-动作模型的基准

Alex S. Huang, Jiahui Zhang, Shiqing Tang, Yu Xiang

机构 * Intelligent Robotics and Vision Lab, University of Texas at Dallas（德克萨斯大学达拉斯分校智能机器人与视觉实验室） ； Allen High School（艾伦高中） 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VLA-REPLICA，一种低成本、可重复的现实世界评估视觉-语言-动作模型的基准，通过使用现成组件构建，提供一致的环境用于政策评估，并包含多样化的操作任务和小规模演示数据集，用于目标域适应。

PAPO-VLA: Planning-Aware Policy Optimization for Vision-Language-Action Models

PAPO-VLA: 为视觉-语言-动作模型进行规划感知的策略优化

Peizheng Guo, Jingyao Wang, Changwen Zheng, Wenwen Qiang

机构 * Institute of Software Chinese Academy of Sciences（软件研究所中国科学院） ； University of Chinese Academy of Sciences（中国科学院大学） 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PAPO-VLA，一种针对视觉-语言-动作模型的规划感知策略优化方法，通过识别和优化规划动作以提高VLA策略的可靠性。

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。

Latent Reasoning VLA: Latent Thinking and Prediction for Vision-Language-Action Models

隐式推理VLA：面向视觉-语言-动作模型的隐式思考与预测

Shuanghao Bai, Jing Lyu, Wanqi Zhou, Zhe Li, Dakai Wang, Lei Xing, Xiaoguang Zhao, Pengwei Wang, Zhongyuan Wang, Cheng Chi, Badong Chen, Shanghang Zhang

机构 * Institute of Artificial Intelligence and Robotics, Xi’an Jiaotong University（西安交通大学人工智能与机器人研究院） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） ； Institute of Automation, University of Chinese Academy of Sciences（中国科学院自动化研究所） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） 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LaRA-VLA框架，通过连续潜在表示实现多模态推理，减少推理开销，提升机器人实时控制效率。

Comments Accepted by ICML 2026

VLA Foundry: A Unified Framework for Training Vision-Language-Action Models

VLA Foundry：一种统一训练视觉-语言-动作模型的框架

Jean Mercat, Sedrick Keh, Kushal Arora, Isabella Huang, Paarth Shah, Haruki Nishimura, Shun Iwase, Katherine Liu

机构 * Toyota Research Institute（丰田研究院） 纠错

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

AI总结 VLA Foundry 提供了一个统一的训练框架，整合了大语言模型、视觉语言模型和视觉-语言-动作模型的训练，支持从头训练和预训练模型，并在 LBM Eval 模拟器上评估了闭合回路策略性能。

Comments 32 pages, 16 figures, technical report

vla-eval: A Unified Evaluation Harness for Vision-Language-Action Models

vla-eval: 一种用于视觉-语言-动作模型的统一评估工具

Suhwan Choi, Yunsung Lee, Yubeen Park, Chris Dongjoo Kim, Ranjay Krishna, Dieter Fox, Youngjae Yu

机构 * Allen Institute for AI (AI2)（Allen人工智能研究所） ； Seoul National University（首尔国立大学） 纠错

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

AI总结 本文提出vla-eval，一种开源评估工具，通过WebSocket+msgpack协议和Docker环境隔离，实现模型推理与评估的解耦，支持14个模拟基准和6个模型服务器，提升评估效率达47倍。

CF-VLA: Efficient Coarse-to-Fine Action Generation for Vision-Language-Action Policies

CF-VLA：面向视觉-语言-动作策略的高效粗到细动作生成

Fan Du, Feng Yan, Jianxiong Wu, Xinrun Xu, Weiye Zhang, Weinong Wang, Yu Guo, Bin Qian, Zhihai He, Fei Wang, Heng Yang

机构 * Southern University of Science and Technology（南方科技大学） ； Xi’an Jiaotong University（西安交通大学） ； United Nova Technology（联合Nova技术） ； 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(title,abstract)；action model(abstract)；分类 cs.CV、cs.AI

AI总结 本文提出CF-VLA，通过粗到细两阶段方法优化视觉-语言-动作策略的动作生成，提升效率与性能，在低NFE条件下实现更优的效率-性能平衡。

SpecPrune-VLA: Accelerating Vision-Language-Action Models via Action-Aware Self-Speculative Pruning

SpecPrune-VLA: 通过动作感知的自推测剪枝加速视觉-语言-动作模型

Hanzhen Wang, Jiaming Xu, Yushun Xiang, Jiayi Pan, Yongkang Zhou, Yong-Lu Li, Guohao Dai

机构 * Shanghai Jiao Tong University（上海交通大学） 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.CV、cs.AI

AI总结 针对视觉-语言-动作模型推理加速，提出结合全局上下文与局部信息的无训练两层剪枝方法，实现高达1.57倍加速且成功率几乎无下降。

Comments Accepted to ICML 2026