VLA / 视觉-语言-动作模型

JEPA-WAM: Learning Vision-Language-Action Policies with Joint-Embedding World Modeling

JEPA-WAM：基于联合嵌入世界建模的视觉-语言-动作策略学习

Yihan Lin, Jiawei He, Shifeng Bao, Chen Zhao, Yang Li, Xiaobo Wang, Yan Wang, Cheng Chi, Jing Zhang

机构 * XYZ Embodied AI（XYZ具身智能） 纠错

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

AI总结 该研究提出JEPA-WAM，一种构建于预训练V-JEPA空间的隐式WAM，通过共享预测器耦合隐式转移预测与动作生成，在LIBERO-Plus等数据集上取得优异的机器人操作策略性能，且泛化能力强。

Comments 22 pages, 7 figures. Project page: https://spritewithoutice.github.io/JEPA_WAM/

$ω$-0: A Latent Predictive World Action Model for Concurrent Humanoid Loco-Manipulation

ω-0：一种用于类人机器人协同移动操作的潜在预测世界动作模型

Zhe Li, Zhenzhe Zhang, Yangyang Wei, Wenjie Zhang, Xichen Yuan, Peiyuan Zhi, Gen Li, Xinying Guo, Fengjie Gao, Jianfei Yang, Shanghang Zhang

机构 * NTU（南洋理工大学） ； PKU（北京大学） ； BAAI（北京智源人工智能研究院） ； HKUST(GZ)（香港科技大学（广州）） 纠错

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

AI总结 本文提出 ω-0 模型，针对类人机器人协同移动操作问题，结合潜在视觉预见与扩散动作生成，在 11 项家庭任务上优于多个基线，还构建了 ω-HOME 数据集。

Cross-View Action Consistency for Camera-Robust Vision-Language-Action Policies

面向相机鲁棒性的视觉-语言-动作策略的跨视图动作一致性

Bingqi Huang, Bingchuan Wei, Xuan Wang, Yingkai Cai, Zhaokui Wang

机构 * Tsinghua University（清华大学） ； Informatics Institute, University of Amsterdam（阿姆斯特丹大学信息学研究所） ； Faculty of Science, Vrije Universiteit Amsterdam（阿姆斯特丹自由大学理学院） 纠错

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

AI总结 本研究针对视觉-语言-动作策略的相机鲁棒性问题，提出跨视图动作一致性正则化方法，在LIBERO-Plus数据集及真实机器人任务上均显著提升了相机扰动下的策略性能。

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。

Towards Human-like Physical Intelligence: Lifelong Vision-Language-Action Learning for Robotic Manipulation

迈向类人物理智能：用于机器人操作的终身视觉-语言-动作学习

Yao He, Gan Sun, Wenqi Liang, Fazeng Li, Yang Cong

机构 * South China University of Technology（华南理工大学） ； University of Trento（特伦托大学） 纠错

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

AI总结 研究针对机器人操作中可塑性-稳定性权衡难题，提出缓存高效的终身视觉-语言-动作学习框架LifelongVLA。通过双时间尺度LoRA门控模块及缓存高效随机重放策略，有效缓解权衡问题，实现技能扩展、行为保留，减少再训练依赖，优于现有基线。

Diagnosing Semantic Handoff Failures in Agent-Orchestrated Vision-Language-Action Skill Composition

诊断智能体编排的视觉-语言-动作技能组合中的语义切换失败

Ke Rui, Yushen Zuo, Jiawei Wang, Haoran Jia, Jinming Ma, Weitao Zhou, Minglei Li

机构 * SimpleAI 纠错

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

AI总结 研究智能体编排的视觉-语言-动作技能组合中的语义切换失败问题，通过智能体编排执行框架，调用基于π0.5的技能检查点，在两种初始状态分布下评估，发现单技能与长期任务成功率差距大，为未来技能库改进提供诊断依据。

Journal ref RSS SemRob Workshop 2026

TrustVLA: Mechanism-Guided Inference-Time Defense Against Vision-Language-Action Backdoors

TrustVLA：针对视觉-语言-动作后门的机制引导推理时防御

Pinhan Fu, Xianda Guo, Xuetao Li, Wenke Huang, Ruilin Wang, Weiheng Zhao, Wei Sui, Mang Ye

机构 * School of Computer Science, Wuhan University（武汉大学计算机科学学院） ； D-Robotics（D-机器人公司） ； HUST（华中科技大学） ； 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 ：vision-language-action(title,abstract)；VLA(abstract,abstract_cn)；分类 cs.RO

AI总结 研究视觉-语言-动作模型中毒后门问题，通过两种攻击识别出紧凑因果足迹机制，基于此提出TrustVLA防御，能检测异常证据演变、定位支持并恢复观测，在多评估中降低攻击成功率且保持干净任务性能。

$π_0$-EqM: Equilibrium Matching for Closed-Loop Vision-Language-Action Control

$\pi_0$-EqM：闭环视觉-语言-动作控制的均衡匹配

Huanming Liu, Congsheng Xu, Jianmin Ji, Yao Mu

机构 * University of Science and Technology of China（中国科学技术大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

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

AI总结 提出$\pi_0$-EqM，用均衡匹配解码器替换$\pi_0$中的流匹配专家，在固定预算下提升机器人操作成功率，并发现残差与成功率之间的非单调关系。

Comments Preprint. 5 pages, 3 figures

SEAM: Smooth Execution of Action-Chunked Motion for Vision-Language-Action Policies

SEAM：用于视觉-语言-动作策略的动作块运动平滑执行

Dijia Zhan, Xuemiao Xu, Jinyi Li, Jie Tang

机构 * South China University of Technology（南方科技大学） 纠错

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

AI总结 研究视觉-语言-动作策略中动作块执行的多模态分叉问题，提出无训练推理时的SEAM方法，利用同步执行见解，通过速度引导损失转向机制减少边界抖动和块过渡不连续性。

Comments 8 pages, 4 figures, 5 tables

EventVLA: Event-Driven Visual Evidence Memory for Long-Horizon Vision-Language-Action Policies

EventVLA: 面向长程视觉-语言-动作策略的事件驱动视觉证据记忆

Ganlin Yang, Zhangzheng Tu, Yuqiang Yang, Sitong Mao, Junyi Dong, Tianxing Chen, Jiaqi Peng, Jing Xiong, Jiafei Cao, Jifeng Dai, Wengang Zhou, Yao Mu, Tai Wang

机构 * University of Science and Technology of China（中国科学技术大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Shanghai Jiao Tong University（上海交通大学） ； Dalian University of Technology（大连理工大学） ； Huawei Technologies Co., Ltd.（华为技术有限公司） ； The University of Hong Kong（香港大学） ； Tsinghua University（清华大学） ； Peking University（北京大学） 纠错

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

AI总结 针对长程机器人操作中记忆瓶颈问题，提出EventVLA框架，通过动态关键帧证据记忆模块自主捕获任务关键视觉事件，在17个模拟和4个真实任务中平均成功率提升40%。

OmniVTLA: Vision-Tactile-Language-Action Models with Semantic-Aligned Tactile Sensing

OmniVTLA：具有语义对齐触觉感知的视觉-触觉-语言-动作模型

Zhengxue Cheng, Yiqian Zhang, Anni Tang, Keyu Wang, Wenkang Zhang, Haoyu Li, Hengdi Zhang, Li Song

机构 * Shanghai Jiao Tong University（上海交通大学） ； Paxini Tech（帕辛尼科技） 纠错

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

AI总结 提出OmniVTLA架构，通过双路径触觉编码器框架和语义对齐触觉ViT，结合新数据集ObjTac，显著提升机器人操作中接触密集任务的成功率和轨迹平滑度。

Comments Accepted by IEEE Robotics and Automation Letters (RA-L). ObjTac dataset: https://readerek.github.io/Objtac.github.io

APT: Action Expert Pretraining Improves Instruction Generalization of Vision-Language-Action Policies

APT: 动作专家预训练提升视觉-语言-动作策略的指令泛化能力

Kechun Xu, Zhenjie Zhu, Anzhe Chen, Rong Xiong, Yue Wang

机构 * Zhejiang University（浙江大学） ； Zhejiang Humanoid Robot Innovation Center（浙江人形机器人创新中心） 纠错

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

AI总结 针对连续动作专家模型对分布外语言指令泛化差的问题，提出APT两阶段训练方法，先预训练动作专家作为视觉-动作先验，再通过门控融合注入语言，显著提升泛化性能。

Potential-Guided Flow Matching for Vision-Language-Action Policy Improvement

势引导的流匹配用于视觉-语言-动作策略改进

Yunpeng Mei, Jiakai He, Hongjie Cao, Chenyu Wang, Xiaowen Zhu, Yihan Zhou, Jiamin Wang, Chenbo Xin, Peng Cheng, Yuxuan Yang, Yijie Wang, Xinhu Zheng, Gao Huang, Jie Chen, Gang Wang

机构 * Nanyang Technological University（南洋理工大学） ； Tsinghua University（清华大学） ； University of Science and Technology of China（中国科学技术大学） 纠错

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

AI总结 提出ForesightFlow，一种自引导流匹配策略，通过解耦优势加权流匹配和一步边界估计器，无需外部评论家即可改进视觉-语言-动作策略。

AnySlot: Goal-Conditioned Vision-Language-Action Policies for Zero-Shot Slot-Level Placement

AnySlot: 用于零样本槽级放置的目标条件视觉-语言-动作策略

Zhaofeng Hu, Sifan Zhou, Qinbo Zhang, Rongtao Xu, Qi Su, Jorge Mendez-Mendz, Ci-Jyun Liang

机构 * Stony Brook University（石溪大学） ； Carnegie Mellon University（卡内基梅隆大学） ； MBZUAI ； Peking University（北京大学） 纠错

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

AI总结 提出AnySlot框架，通过将语言指令转化为空间视觉目标，解耦高层槽选择与低层执行，实现零样本槽级精确放置。

Gaze2Act: Gaze-Conditioned Vision-Language-Action Policies for Interactive Robot Manipulation

Gaze2Act: 基于注视条件的视觉-语言-动作策略用于交互式机器人操作

Kuangji Zuo, Gen Li, Bofan Lyu, Yanshuo Lu, Boyu Ma, Shijia Han, Xinyu Zhou, Xichen Yuan, Chuhao Zhou, Jiaqi Bai, Geng Li, Jianfei Yang

机构 * MARS Lab, Nanyang Technological University（MARS实验室，南洋理工大学） 纠错

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

AI总结 提出Gaze2Act框架，通过将人类注视作为动态意图信号，结合跨视角语义匹配和策略级条件化，实现机器人对复杂交互任务的精确操作。

Comments Project page: https://zuo-kuangji.github.io/Gaze2Act/

USIM and U0: A Vision-Language-Action Dataset and Model for General Underwater Robots

USIM 和 U0：面向通用水下机器人的视觉-语言-动作数据集与模型

Junwen Gu, Zhiheng Wu, Pengxuan Si, Shuang Qiu, Zhentao Zhang, Yukai Feng, Luoyang Sun, Laien Luo, Lianyi Yu, Jian Wang, Zhengxing Wu

机构 * The Key Laboratory of Cognition and Decision Intelligence for Complex Systems, Institute of Automation, Chinese Academy of Sciences（认知与决策智能复杂系统重点实验室，自动化研究所，中国科学院） ； Baidu Inc.（百度公司） ； The 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 ：vision-language-action(title,abstract)；VLA(abstract,abstract_cn)；分类 cs.RO

AI总结 提出一个统一框架，通过数据合成管道构建模拟数据集 USIM 和视觉-语言-动作模型 U0，实现水下机器人从避障导航到三维移动操作的多任务执行，在离线动作预测误差和在线成功率上达到最优。

Comments Project Page: https://vincentgu2000.github.io/u0project/

Spatial Memory for Out-of-Vision Manipulation in Vision-Language-Action

视觉-语言-动作中视界外操作的空间记忆

Pengteng Li, Weiyu Guo, He Zhang, Tiefu Cai, Xiao He, Yandong Guo, Hui Xiong

机构 * Thrust of Artificial Intelligence, The Hong Kong University of Science（人工智能推动部，香港科学大学） 纠错

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

AI总结 本文提出SOMA框架，用于解决视觉-语言-动作模型中视界外操作的问题，通过构建持久的空间记忆，使模型能够超越当前视觉范围进行推理，提升任务成功率和操作行为质量。

Comments Accepted by ICML 2026

LiteVLA-H: Dual-Rate Vision-Language-Action Inference for Onboard Aerial Guidance and Semantic Perception

LiteVLA-H: 双速率视觉-语言-动作推断用于机载空中引导与语义感知

Justin williams, Kishor Datta Gupta, Roy George, Mrinmoy Sarkar

机构 * Department of Cyber Physical Systems, Clark Atlanta University（克劳克阿特拉大学网络物理系统系） 纠错

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

AI总结 LiteVLA-H通过双速率操作在边缘设备上实现高效视觉-语言-动作推断，兼顾快速动作输出与语义理解，提升空中引导与场景感知性能。

Judge, Then Drive: A Critic-Centric Vision Language Action Framework for Autonomous Driving

评判，然后驾驶：一种以评判为中心的视觉语言动作框架用于自动驾驶

Lijin Yang, Jianing Huang, Zhongzhan Huang, Shu Liu, Hao Yang

机构 * Bosch Research（博世研究院） 纠错

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

AI总结 本文提出CriticVLA框架，通过多模态评估和单步优化提升自动驾驶决策质量，实验显示其在复杂场景中性能显著优于现有方法。

Comments preprint

On-the-Fly VLA Adaptation via Test-Time Reinforcement Learning

实时VLA适应 via 测试时强化学习

Changyu Liu, Yiyang Liu, Taowen Wang, Qiao Zhuang, James Chenhao Liang, Wenhao Yang, Renjing Xu, Qifan Wang, Dongfang Liu, Cheng Han

机构 * University of Missouri–Kansas City（密苏里大学堪萨斯城分校） ； Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； U. S. Naval Research Laboratory（美国海军研究实验室） ； Lamar University（拉马尔大学） ； Meta AI ； Rochester Institute of Technology（罗彻斯特理工学院） 纠错

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

AI总结 本文提出TT-VLA框架，通过测试时强化学习实现VLA模型的实时策略适应，提升机器人在动态环境中的适应性与稳定性。

E0: Enhancing Generalization and Fine-Grained Control in VLA Models via Tweedie Discrete Diffusion

E0: 通过 Tweedie 离散扩散增强 VLA 模型的泛化能力与细粒度控制

Zhihao Zhan, Jiaying Zhou, Likui Zhang, Qinhan Lv, Hao Liu, Jusheng Zhang, Weizheng Li, Ziliang Chen, Tianshui Chen, Ruifeng Zhai, Keze Wang, Liang Lin, Guangrun Wang

机构 * Sun Yat-sen University（中山大学） ； Guangdong Key Laboratory of Big Data Analysis（广东大数据分析与处理重点实验室） ； X-Era AI Lab（X-Era人工智能实验室） ； Guangdong University of Technology（广东工业大学） 纠错

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

AI总结 本文提出 E0 框架，通过离散扩散方法提升 VLA 模型在多任务和多视角下的泛化能力，并实现精细可控的动作生成。

VTAM: Video-Tactile-Action Models for Complex Physical Interaction Beyond VLAs

VTAM：用于复杂物理交互的视频-触觉-动作模型超越VLAs

Haoran Yuan, Weigang Yi, Zhenyu Zhang, Wendi Chen, Yuchen Mo, Jiashi Yin, Xinzhuo Li, Xiangyu Zeng, Chuan Wen, Cewu Lu, Katherine Driggs-Campbell, Ismini Lourentzou

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Stanford University（斯坦福大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

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

AI总结 VTAM通过整合触觉感知提升复杂物理交互的稳定性，其多模态框架在接触密集任务中表现优异，成功率达到90%。

Comments https://plan-lab.github.io/projects/vtam/

MLA: A Multisensory Language-Action Model for Multimodal Understanding and Forecasting in Robotic Manipulation

MLA：一种多感官语言-动作模型，用于机器人操作中的多模态理解和预测

Zhuoyang Liu, Jiaming Liu, Jiadong Xu, Nuowei Han, Chenyang Gu, Hao Chen, Kaichen Zhou, Renrui Zhang, Kai Chin Hsieh, Kun Wu, Zhengping Che, Jian Tang, Shanghang Zhang

机构 * State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（多媒体信息处理国家重点实验室，计算机科学学院，北京大学） ； Beijing Innovation Center of Humanoid Robotics (X-Humanoid)（北京类人机器人创新中心（X-Humanoid）） ； The Chinese University of Hong Kong (CUHK)（香港中文大学（CUHK）） 纠错

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

AI总结 本文提出MLA模型，通过多感官融合与未来目标预测，提升机器人在复杂接触任务中的操控能力，实验显示其在2D和3D任务中性能优于现有方法。

Comments Project page: https://robotic-mla.github.io/

Joint-Aligned Latent Action: Towards Scalable VLA Pretraining in the Wild

联合对齐的潜在动作：迈向大规模野外VLA预训练

Hao Luo, Ye Wang, Wanpeng Zhang, Haoqi Yuan, Yicheng Feng, Haiweng Xu, Sipeng Zheng, Zongqing Lu

机构 * Peking University（北京大学） ； Renmin University of China（中国人民大学） ； BeingBeyond 纠错

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

AI总结 JALA通过联合对齐的潜在动作预训练框架，提升从人类数据中大规模预训练视觉-语言-动作模型的效率与性能。

Comments CVPR2026

LiLo-VLA: Compositional Long-Horizon Manipulation via Linked Object-Centric Policies

LiLo-VLA：通过链接的对象为中心策略实现组合长周期操控

Yue Yang, Shuo Cheng, Yu Fang, Homanga Bharadhwaj, Mingyu Ding, Gedas Bertasius, Daniel Szafir

机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； Georgia Institute of Technology（佐治亚理工学院） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 LiLo-VLA通过链接的对象为中心策略实现长周期操控，通过模块化框架实现零样本泛化，提升机器人任务成功率。

Fast-ThinkAct: Efficient Vision-Language-Action Reasoning via Verbalizable Latent Planning

Fast-ThinkAct: 通过可言说的潜在规划实现高效的视觉-语言-动作推理

Chi-Pin Huang, Yunze Man, Zhiding Yu, Min-Hung Chen, Jan Kautz, Yu-Chiang Frank Wang, Fu-En Yang

机构 * NVIDIA（英伟达） 纠错

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

AI总结 Fast-ThinkAct通过可言说的潜在规划实现高效的视觉-语言-动作推理，显著降低推理延迟并保持长周期规划能力。

Comments CVPR 2026. Project page: https://jasper0314-huang.github.io/fast-thinkact/

VLAgents: A Policy Server for Efficient VLA Inference

VLAgents: 一种高效的VLA推理政策服务器

Tobias Jülg, Khaled Gamal, Nisarga Nilavadi, Pierre Krack, Seongjin Bien, Michael Krawez, Florian Walter, Wolfram Burgard

机构 * University of Technology Nuremberg（图恩大学） ； Technical University of Munich（慕尼黑技术大学） 纠错

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

AI总结 VLAgents是一种高效的VLA推理政策服务器，通过统一协议和上下文适应通信层，提升了机器人中VLAs的部署效率和性能表现。

MAPS: Preserving Vision-Language Representations via Module-Wise Proximity Scheduling for Better Vision-Language-Action Generalization

MAPS: 通过模块级接近调度保留视觉-语言表示以实现更好的视觉-语言-动作泛化

Chengyue Huang, Mellon M. Zhang, Robert Azarcon, Glen Chou, Zsolt Kira

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

AI总结 MAPS通过模块级接近调度优化VLA微调，提升视觉-语言-动作任务的泛化能力。

VTLA: Vision-Tactile-Language-Action Model with Preference Learning for Insertion Manipulation

Chaofan Zhang, Peng Hao, Xiaoge Cao, Xiaoshuai Hao, Shaowei Cui, Shuo Wang

机构 * State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences（多模态人工智能系统国家重点实验室，自动化研究所，中国科学院） ； Samsung R&D Institute China–Beijing（三星中国北京研发中心） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） 纠错

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

G0.5: One Autoregressive Stream for Robot Reasoning and Action

G0.5：用于机器人推理与动作的单自回归流

Yicheng Liu, Zibin Dong, Baijun Ye, Tianyuan Yuan, Tao Jiang, Anqi Yang, Shicheng Cao, Haonan Liu, Yue Sun, Zihan Guo, Xiao Liu, Dong Ke, Changxun Pan, Chenru Wu, Tailai Cheng, Xiaoshu Ren, Xinlei Zhang, Jianning Cui, Zijie Zhao, Haoyu Zhang, Kaiming Xu, Haodong Yang, Bowen Zhang, Jiahui Niu, Shaoting Zhu, Shiduo Zhang, Hang Zhao

机构 * Galaxea（星系科技（Galaxea）） 纠错

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

AI总结 本文提出G0.5，一种单自回归流的VLA模型，通过三个关键组件实现推理与动作统一，在7项基准中超越现有最优模型，展现出良好的泛化与指令跟随能力。