VLA / 视觉-语言-动作模型

CAST: Counterfactual Labels Improve Instruction Following in Vision-Language-Action Models

CAST: 反事实标签提升视觉-语言-动作模型中的指令跟随能力

Catherine Glossop, William Chen, Arjun Bhorkar, Dhruv Shah, Sergey Levine

机构 * University of California Berkeley（加州大学伯克利分校） ； Princeton University（普林斯顿大学） 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

AI总结 针对VLA模型难以遵循细粒度指令的问题，提出利用视觉语言模型生成反事实标签增强数据集，提升语言基础多样性，实验表明该方法在导航和操作任务中显著提升指令跟随成功率。

QuoVLA: Quotient Space for Vision-Language-Action Models

QuoVLA：视觉-语言-动作模型的商空间

Xuan Wang, Yinan Wu, Haoran Duan, Jungong Han

机构 * Department of Automation（自动化系） 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

AI总结 针对VLA模型预训练VLM潜在表示动作信息不足的观点，提出商空间框架QuoVLA，通过量化模块和双分支设计压缩潜在表示为动作充分表示，在多个基准上提升泛化性能。

State Backdoor: Towards Stealthy Real-world Poisoning Attack on Vision-Language-Action Model in State Space

状态后门：针对状态空间中视觉-语言-动作模型的隐蔽现实世界投毒攻击

Ji Guo, Wenbo Jiang, Yansong Lin, Yijing Liu, Ruichen Zhang, Guomin Lu, Aiguo Chen, Xinshuo Han, Hongwei Li

机构 * Laboratory Of Intelligent Collaborative Computing, University of Electronic Science and Technology of China（智能协同计算实验室，电子科学与技术大学） ； National Key Laboratory of Wireless Communications, University of Electronic Science and Technology of China（无线通信国家重点实验室，电子科学与技术大学） ； School of Computer Science and Engineering, University of Electronic Science and Technology of China（计算机科学与工程学院，电子科学与技术大学） ； College of Computer Science and Technology, Nanjing University of Aeronautics and Astronautics（计算机科学与技术学院，南京航空航天大学） ； College of Computing and Data Science, Nanyang Technological University（计算与数据科学学院，南洋理工大学） 纠错

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

AI总结 提出状态后门攻击，利用机器人手臂初始状态作为触发器，通过偏好引导遗传算法优化触发器的隐蔽性和有效性，在五个VLA模型和五个真实任务中实现超过90%的攻击成功率。

Partially Observable Adversarial Patch Attacks on Vision-Language-Action Models in Robotics

部分可观测的对抗性补丁攻击在机器人视觉-语言-动作模型上的应用

Xiaofei Wang, Mingliang Han, Tianyu Hao, Yi Yang, Yun-Bo Zhao, Keke Tang

机构 * Department of Automation, University of Science and Technology of China（自动化系，中国科学技术大学） ； SmartMore Corporation（SmartMore公司） ； Cyberspace Institute of Advanced Technology, Guangzhou University（广西亚技术空间研究所，广州大学） ； th Medical Center of Chinese PLA General Hospital（中国人民解放军总医院第八医学中心） ； 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(summary_cn,abstract)；vision-language-action(title,abstract)；action model(title)；分类 cs.RO

AI总结 针对机器人VLA模型，提出部分可观测威胁模型下的两阶段攻击框架，利用注意力图定位关键区域并优化补丁以破坏语义接地和增加动作轨迹曲率，导致长期任务失败。

Comments Accepted by IEEE Robotics and Automation Letters, 2026

SafeVLA-Bench: A Benchmark for the Success-Safety Gap in Vision-Language-Action Models

SafeVLA-Bench: 视觉-语言-动作模型中成功-安全差距的基准

Jialiang Fan, Weizhe Xu, Oleg Sokolsky, Insup Lee, Fanxin Kong

机构 * University of Notre Dame（诺丁汉大学） ； University of Pennsylvania（宾夕法尼亚大学） 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

AI总结 提出SafeVLA-Bench，一种基于信号时序逻辑的后验安全评估框架，用于量化VLA策略在完成任务时的安全违规行为，揭示成功与安全之间的差距。

Comments 27 pages, 5 figures

VLAMotor: Test-Guided Enhancement of Vision-Language-Action Models via Agent-BasedData Synthesis

VLAMotor: 通过基于智能体的数据合成实现视觉-语言-动作模型的测试引导增强

Zeqin Liao, Peifan Ren, Zixu Gao, Hongyu Gong, Lianyu Hu, Wenbing Tang, Yuhong Nan, Zibin Zheng, Yang Liu

机构 * School of computing and data science, Nanyang Technological University（计算与数据科学学院，南洋理工大学） ； School of Software Engineering, Sun Yat-sen University（软件工程学院，中山大学） ； GuangDong Engineering Technology Research Center of Blockchain, China（区块链工程技术研发中心，中国） ； Northwest A&F University（西北农林科技大学） 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

AI总结 提出VLAMotor框架，通过距离感知测试暴露失败案例，并利用基于智能体的数据合成生成成功轨迹微调VLA模型，显著提升模型在仿真和真实环境中的成功率。

ELAN4D: Embodiment-Centric 4D Supervision for Vision-Language-Action Models via Plug-and-Play Adaptation

ELAN4D：以具身为中心的4D监督用于视觉-语言-动作模型的即插即用适配

Zeyuan He, Bowen Yang, Zhirui Fang, Keru Zhou, Lei Jiang, Jingjing Qian, Fan Mo, Junchi Yan, Philip Torr, Xiu Li, Li Jiang, Jialin Yu

机构 * Torr Vision Group, University of Oxford（托尔视觉组，牛津大学） ； The Chinese University of Hong Kong, Shenzhen（香港大学（深圳）） ； Tsinghua University（清华大学） ； Shanghai Jiao Tong University（上海交通大学） ； University College London（伦敦大学学院） ； University of Cambridge（剑桥大学） 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

AI总结 提出ELAN4D框架，通过未来机器人关键点轨迹作为预测性时空监督，以即插即用方式增强VLA策略的鲁棒性和泛化能力。

VLAConf: Calibrated Task-Success Confidence for Vision-Language-Action Models

VLAConf: 视觉-语言-动作模型的校准任务成功置信度

Dehao Huang, Aoxiang Gu, Chengjie Zhang, Bolin Zou, Wenlong Dong, Zilang Cen, Yue Wang, Hong Zhang

机构 * Department of Electronic and Electrical Engineering, Southern University of Science and Technology, Shenzhen, China（南方科技大学电子与电气工程系，深圳，中国） ； Zhongguancun Academy, Beijing, China（中关村学院，北京，中国） ； National Cybersecurity Academy, Wuhan University, Wuhan, China（武汉大学国家网络安全学院，武汉，中国） 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

AI总结 提出VLAConf，一种基于单类判别性置信度框架的方法，通过冻结预训练VLA内部表示和轻量级置信度头，在单次前向传播中直接估计逐步异常分数，实现高效且跨架构通用的任务成功置信度估计。

Comments 11 pages, 7 figures

Mitigating State Aliasing in Vision-Language-Action Models via Inverse Dynamics Learning

通过逆动力学学习缓解视觉-语言-动作模型中的状态混叠

Kyujin Lee, Injae Kim, Jihwan Park, Yejun Ju, Minseok Joo, Hyunwoo J. Kim

机构 * KAIST（韩国科学技术院） ； Korea University（韩国大学） 纠错

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

AI总结 提出将逆动力学学习作为辅助目标，直接监督VLA视觉编码器，通过预测当前与未来观测之间的动作来捕捉细粒度视觉差异，从而缓解状态混叠问题。

ElegantVLA: Learning When to Think for Efficient Vision-Language-Action Models

ElegantVLA：学习何时思考以实现高效的视觉-语言-动作模型

Ye Li, Huanan Liu, Kangye Ji, Yuan Meng, Jiajun Fan, Yuansong Wang, Shiyu Qin, Chenglei Wu, Shu-Tao Xia, Zhi Wang

机构 * Tsinghua University（清华大学） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

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

AI总结 提出ElegantVLA，一种即插即用的相位自适应推理框架，通过动态计算调度在视觉编码器、大语言模型和动作头之间分配计算资源，实现VLA模型加速，在GR00T和CogACT上分别获得最高2.55倍和3.77倍加速。

Colosseum V2: Benchmarking Generalization for Vision Language Action Models

Colosseum V2：视觉语言动作模型的泛化能力基准测试

Jeremy Morgan, Prajwal Vijay, Hyeonho Oh, Jincen Song, Ashvin Arora, Alina Du, Gaurav Sukhatme, Jesse Thomason, Ishika Singh

机构 * Department of Computer Science, University of Southern California（南加州大学计算机科学系） ； Department of Electrical Engineering, Indian Institute of Technology Madras（印度理工学院Madras分校电子工程系） ； Fu Foundation School of Engineering and Applied Science, Columbia University（哥伦比亚大学工程与应用科学学院） 纠错

专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision language action(title)；action model(title)；vision-language-action(abstract)

AI总结 提出Colosseum V2大规模仿真基准，通过28个任务和两种机器人形态，系统评估VLA模型在分布偏移下的泛化能力，揭示其在高层次理解与鲁棒行为之间的差距。

Beyond World-Frame Action Heads: Motion-Centric Action Frames for Vision-Language-Action Models

超越世界坐标动作头：面向视觉-语言-动作模型的运动中心动作框架

Huoren Yang, Jianchao Zhao, Hu Yusong, Qiguan Ou, Yuyang Gao, Wei Ke, Yuhang He, SongLin Dong, Zhiheng Ma, Yihong Gong

机构 * Xi’an Jiaotong University（西安交通大学） ； One Robotics ； Shenzhen University of Advanced Technology（深圳大学先进技术学院） 纠错

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

AI总结 本文提出MCF-Proto，一种轻量级动作头，通过运动中心动作框架和原型基动作参数化，提升VLA模型对机器人操作行为的组织与泛化能力。

RedVLA: Physical Red Teaming for Vision-Language-Action Models

RedVLA：面向视觉-语言-动作模型的物理红队测试

Yuhao Zhang, Borong Zhang, Jiaming Fan, Jiachen Shen, Yishuai Cai, Yaodong Yang, Jiaming Ji

机构 * Institute for AI, Peking University（人工智能研究院，北京大学） ； State Key Laboratory of General Artificial Intelligence, Peking University（通用人工智能国家重点实验室，北京大学） 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

AI总结 RedVLA通过两阶段流程系统揭示VLA模型中的不安全行为，通过风险场景合成和风险放大技术，在10次优化迭代内达到95.5%的检测准确率，提出轻量级安全防护方案SimpleVLA-Guard。

Unmasking the Illusion of Embodied Reasoning in Vision-Language-Action Models

揭示视觉-语言-动作模型中具身推理的幻觉

Haiweng Xu, Sipeng Zheng, Hao Luo, Wanpeng Zhang, Ziheng Xi, Zongqing Lu

机构 * Peking University（北京大学） ； Tsinghua University（清华大学） ； BeingBeyond 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

AI总结 本文通过BeTTER基准测试揭示现有VLA模型在动态场景中表现不佳，指出其根本问题在于架构瓶颈导致的语义表示退化，强调需解决高频率控制与高层推理间的矛盾。

AtomBridge: Agentic VLA Inference Plugin for Long-Horizon Tasks in Scientific Experiments

Sci-VLA：用于科学实验中长周期任务的代理VLA推理插件

Yiwen Pang, Bo Zhou, Changjin Li, Xuanhao Wang, Shengxiang Xu, Deng-Bao Wang, Peng Cheng, Shimin Di, Jingkuan Song, Min-Ling Zhang

机构 * School of Computer Science and Engineering & School of Software Engineering & School of Artificial Intelligence, Southeast University, Nanjing, China（计算机科学与工程学院、软件工程学院、人工智能学院，东南大学，南京，中国） ； Pattern Learning and Mining Lab, Southeast University, Nanjing, China（模式学习与挖掘实验室，东南大学，南京，中国） 纠错

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

AI总结 本文提出了一种基于大语言模型的代理VLA推理插件，用于提升科学实验中长周期任务的执行效率和成功率。

Fast and Accurate: An Adaptive VLA Inference Framework through Environment-aware Model Selection

快速且精准：一种通过环境感知模型选择的自适应VLA推理框架

Yuewei Sun, Lang Qin, Zechuan Tian, Jingwen Li, Guiqin Wang, Shengzeng Huo, Wenxin Ren, Tao Fang, Xiaochen Zhang, Guanqing Deng, Xiang Wang, Xiaowen Dong, Qinghai Guo, Yuxin Ma

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

AI总结 本文提出环境感知模型选择（EMS）自适应VLA推理框架，通过解耦双系统与强化学习切换策略，在LIBERO基准及真实双臂任务中平衡了VLA的推理速度与任务成功率。

DFM-VLA: Iterative Action Refinement for Robot Manipulation via Discrete Flow Matching

DFM-VLA：通过离散流匹配实现机器人操作的迭代动作细化

Jiayi Chen, Wenxuan Song, Jiaxin Fang, Ruiqing Yin, Jingbo Wang, Shuai Chen, Jieyuan Pei, Yikai Qin, Feifan Chen, Haodong Yan, Zhide Zhong, Wen Chen, Yan Wang, Yuxiang Gao, Haoang Li

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Harbin Institute of Technology（哈尔滨工业大学） ； ShanghaiTech University（上海科技大学） ； Shanghai Institute of Technical Physics, CAS（中国科学院上海技术物理研究所） 纠错

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

AI总结 DFM-VLA通过离散流匹配实现机器人操作中动作token的迭代细化，采用动态概率速度场和双阶段解码策略，提升了动作生成的准确性和效率。

Suppression Sticks, Locality Is Fragile: A Closed-Loop Target-and-Control Audit of Task-Vector Negation in VLA Policies

抑制会“卡住”，局部性很脆弱：对VLA策略中任务向量取反的闭环目标与控制审计

Shaoguang Wang, Weiyu Guo, Rushi Dai, Yiren Zhao, Yandong Guo, Hui Xiong

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

AI总结 本研究通过对VLA策略的闭环审计，发现任务向量减法作为快速模型编辑方法存在局部性脆弱问题，会引发目标控制分离、抗性或全局崩溃等多种不良情况，凸显了闭环评估的必要性。

Comments 28 pages, 14 figures, 40 tables. Preprint

ActFovea: Runtime Safeguarding for VLA Policies via Spatiotemporal Visual-Action Consistency

ActFovea：基于时空视觉-动作一致性的VLA策略运行时安全保障

Wenda Yu, Tianshi Wang, Fengling Li, Xin Li, Jingjing Li, Lei Zhu

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

AI总结 ActFovea是一种即插即用的VLA策略运行时安全保障框架，通过构建动作条件化凹形区域、检测时空一致性及触发安全故障，提升了机器人操纵在各类干扰下的成功率与安全性。

Comments 8 pages, 4 figures, 4 tables. Code: https://github.com/SunnyYWD/ActFovea.git

InDex: Empowering VLA Models with Intent-Conditioned Arm-Hand Coordination for Dexterous Manipulation

弥合形态差距：通过意图条件微调使VLA模型适应灵巧操作

Chuanke Pang, Junyi Huang, Zhijun Zhao, Yaobing Wang, Kun Xu, Xilun Ding

机构 * Beihang University（北京航空航天大学） ； China Academy of Space Technology（中国空间技术研究院） 纠错

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

AI总结 提出InDex框架，通过将预训练的1-DoF平行抓取输出重用作宏观虚拟抓取意图代理，结合两阶段解耦学习架构，实现VLA模型从低自由度夹爪到高自由度灵巧手的适应，有效缓解灾难性遗忘和动作流形坍缩。

Closing the Lab-to-Store Gap: A Data-Efficient Post-Training and Experience-Driven Learning VLA Framework for Retail Humanoids

弥合实验室与商店之间的差距：一种用于零售类人机器人的数据高效训练后及经验驱动学习的VLA框架

Roger Sala Sisó, Tiago Silvério, Jakob Sand, Tran Nguyen Le

机构 * HIVE Robots（蜂巢机器人公司） ； Technical University of Denmark（丹麦技术大学） 纠错

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

AI总结 研究针对VLA类人机器人弥合实验室与实际应用差距的问题，提出DEED系统级方法，含数据高效训练后管道、经验驱动细化研究及潜在空间分析工具，经实验证明精心设计数据和训练后处理可解决该问题。

Comments 8 pages. This work has been submitted to the IEEE for possible publication

Green for Go, Red for No: Visual Grounding via Semantic Segmentation for VLA Navigation Policies

绿色代表可行，红色代表不可行：通过语义分割实现视觉基础以用于VLA导航策略

Adrian Szvoren, Dimitrios Kanoulas, Nilufer Tuptuk

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

AI总结 研究VLA导航策略的视觉基础，提出基于实时分割的方法，用SegFormer突出可通行与不可通行区域，评估两种变体，结果表明视觉基础可降误差，对长指令效果更佳，还能作为轨迹长度正则化器。

Comments Accepted for RSS 2026 workshop

Think Proprioceptively: State-Grounded Visual Token Selection for VLA Policies

通过本体感知进行思考：用于VLA策略的状态基础视觉令牌选择

Fangyuan Wang, Peng Zhou, Jiaming Qi, Shipeng Lyu, Chengyang He, David Navarro-Alarcon, Guodong Guo

机构 * The Hong Kong Polytechnic University（香港理工大学） ； Eastern Institute of Technology（东区技术研究所） ； Great Bay University（大湾大学） ； Northeast Forestry University（东北林业大学） ； National University of Singapore（新加坡国立大学） 纠错

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

AI总结 研究VLA模型中本体感知应用问题，提出ThinkProprio方法，将本体感知离散化为视觉语言模型（VLM）词汇令牌，与指令共同作用在VLM计算前选视觉补丁，贡献是提升性能、降低延迟。

The Moving Eye: Enhancing VLA Spatial Generalization via Hybrid Dynamic Data Collection

移动之眼：通过混合动态数据收集增强VLA空间泛化能力

Jincheng Tang, Yilong Zhu, Zhengyuan Xie, Jiang-Jiang Liu, Jiaxing Zhang

机构 * Lion Rock AI Lab, China Merchants Research Institute of Advanced Technology（狮岩人工智能实验室，中国商人先进科技研究院） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； Nankai University（南开大学） 纠错

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

AI总结 针对VLA模型空间泛化脆弱性问题，提出混合动态数据策略，结合连续相机运动与多样静态视角，减少虚假相关性，提升对未见相机位姿和物体配置的泛化能力。

Comments IROS 2026

FORCE: Efficient VLA Reinforcement Fine-Tuning via Value-Calibrated Warm-up and Self-Distillation

FORCE: 通过值校准预热和自蒸馏实现高效的VLA强化学习微调

Shuyi Zhang, Yunfan Lou, Hongyang Cheng, Yichen Guo, Chuyao Fu, Yaoxu Lyu, Xiaojie Zhang, Haoran Li, Pengwei Wang, Zhongyuan Wang, Shanghang Zhang

机构 * Institute of Automation, Chinese Academy of Sciences, Beijing, China（中国科学院自动化研究所） ； Beijing Academy of Artificial Intelligence, Beijing, China（北京人工智能研究院） ； State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University, Beijing, China（北京大学计算机科学学院多媒体信息处理国家重点实验室） 纠错

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

AI总结 提出FORCE框架，通过值校准预热和自蒸馏解决VLA模型RL微调中的样本效率低和初始遗忘问题，在仿真和真实任务中成功率提升79%，训练加速32.5%。

Reflective VLA: In-Context Action Consequences Make VLAs Generalize

Reflective VLA：上下文动作后果使VLA具备泛化能力

Qing Lian, Kent Yu, Lei Zhang

机构 * Futian Laboratory（福田实验室） ； International Digital Economy Academy (IDEA)（国际数字经济学院（IDEA）） ； Visincept 纠错

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

AI总结 提出Reflective VLA，通过引入观察-动作-后果三元组作为上下文，使VLA模型能感知动作的环境特异性映射，在分布偏移下平均成功率提升5.4和4.2个百分点。

Elastic Queries Reinforcement Learning: Self-Aware Policy Execution for VLA Models

弹性查询强化学习：VLA模型的自我感知策略执行

Ge Wang, Xinyu Tan, Xiang Li, Man Luo, Chengsi Yao, Shenhao Yan, Jiahao Yang, Fan Feng, Honghao Cai, Xiangyuan Wang, Zhixin Mai, Yiming Zhao, Yatong Han, Zhen Li

机构 * Ising AI ； CUHK-Shenzhen（香港中文大学（深圳）） ； PKU（北京大学） 纠错

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

AI总结 提出弹性查询强化学习（EQRL），通过轻量级潜在调度适配器动态调整VLA模型的推理步骤和动作块长度，利用评论家集成分歧估计状态难度，在降低推理成本的同时保持或提升任务成功率。

Encoder Winners Do Not Reliably Transfer Across VLA Backbone Scale: A Frozen-Backbone Grafting Diagnostic

编码器胜者无法可靠跨VLA骨干网络规模迁移：一种冻结骨干嫁接诊断方法

Qingping Zeng, Fei She

机构 * Tsinghua University（清华大学） 纠错

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

AI总结 提出冻结骨干嫁接诊断方法，发现小规模VLA上最优的视觉编码器在大规模骨干上并非最优，编码器选择依赖于骨干网络规模。

Comments 23 pages, 5 figures, 8 tables

$μ$VLA: On Recurrent Memory for Partially Observable Manipulation in VLA Models

$μ$VLA：部分可观测操作中VLA模型的循环记忆研究

Egor Cherepanov, Nikita Kachaev, Daniil Zelezetsky, Aydar Bulatov, Artem Pshenitsyn, Yuri Kuratov, Alexey Skrynnik, Aleksandr I. Panov, Alexey K. Kovalev

机构 * CogAI Lab, Moscow, Russia（CogAI实验室，莫斯科，俄罗斯） ； MIRAI, Moscow, Russia（MIRAI，莫斯科，俄罗斯） 纠错

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

AI总结 针对VLA模型在部分可观测场景中的记忆缺失问题，提出仅通过可学习记忆令牌和截断反向传播时间实现最小化循环记忆增强，在MIKASA-Robo上将训练任务成功率从0.42提升至0.84，并在LIBERO上保持全可观测性能。

Comments 34 pages, 20 figures, 9 tables

GEAR-VLA: Learning Geometry-Aware Action Representations for Generalizable Robotic Manipulation

GEAR-VLA：学习几何感知的动作表示以实现可泛化的机器人操作

Yuan Zhang, Shiqi Zhang, Yedong Shen, Shuai Dong, Jiajun Deng, Xin Zhang, Yuxuan Gao, Jiajia Wu, Xin Nie, Zhiyuan Cheng, Jianmin Ji, Yanyong Zhang, Xingyi Zhang, Jia Pan

机构 * Anhui University（安徽大学） ； University of Science and Technology of China（中国科学技术大学） ； iFLYTEK（科大讯飞） 纠错

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

AI总结 提出GEAR-VLA框架，通过粗到细的动作学习、语义对齐的3D集成和具身规范化，学习统一的几何感知动作表示，实现跨物体、背景和机器人的泛化操作。