机器人 / 具身智能

PhaseLoRA: Control-Regime-Conditioned Low-Rank Adaptation for Continuous-Action Vision-Language-Action Policies

PhaseLoRA：面向连续动作视觉-语言-动作策略的控制条件式低秩适配

Yufei Guo, Yinan Wu, Haoran Duan, Guiguang Ding, Jungong Han

机构 * Tsinghua University（清华大学） 纠错

专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.RO、cs.AI

AI总结 PhaseLoRA是面向连续动作VLA策略的轻量级PEFT方法，通过控制条件式LoRA实现阶段依赖适配，在LIBERO数据集上较匹配参数的高秩LoRA基线提升平均成功率12.2个百分点，性能优于其他LoRA变体。

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 机器人基础模型 ：manipulation(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。

VANE: Reliable Test-Time Training for Vision-Language-Action Models via Future Visual Representation Prediction

VANE：通过未来视觉表示预测实现视觉-语言-动作模型的可靠测试时训练

Hongjin Ji, Guoyang Xia, Luoyang Sun, Fangxiang Feng, Lei Ren

机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； 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） ； Li Auto Inc.（理想汽车） 纠错

专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.RO、cs.CV

AI总结 本文提出VANE框架，通过条件提示自适应、未来视觉后果学习及候选更新隔离评估的方法，提升VLA策略在闭环操纵中的可靠性，在SimplerEnv WidowX上将平均成功率提高3.2个百分点。

HoloQ-VLA: Uniform W4A4 Quantization of Vision-Language-Action Models

Ω-QVLA: 通过复合旋转和逐步缩放实现视觉-语言-动作模型的鲁棒量化

Xinyu Wang, Mingze Li, Sicheng Lyu, Dongxiu Liu, Kaicheng Yang, Ziyu Zhao, Yufei Cui, Xiao-Wen Chang, Peng Lu

机构 * McGill University（麦吉尔大学） ； Université de Montréal（蒙特利尔大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Shanghai Jiao Tong University（上海交通大学） ； Mila – Quebec AI Institute（魁北克AI研究所） 纠错

专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.CV、cs.LG

AI总结 提出Ω-QVLA，首个无需训练的后训练量化框架，通过复合SVD-Hadamard旋转和逐步DiT激活缩放量化，将VLA模型的语言骨干和扩散动作头统一压缩至W4A4精度，在LIBERO上达到或超越FP16性能，内存减少71.3%。

LIRA: Local Cross-Layer Information Routing for Vision-Language-Action Decoding

LIRA：面向视觉-语言-动作解码的局部跨层信息路由

Zhewei Zhang, Puyue Wang, Guanren Qiao, Yijie Weng, Jiawei Hu, Guo Li, Lujia Wang, Junyan Wang, Tao Gu, Hongliang Lu, Guiliang Liu, Hong Jia, Xinhu Zheng

专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.RO、cs.CV

AI总结 LIRA是面向VLA模型的局部跨层信息路由机制，通过深度感知路由VLM特征，在多机器人操作基准及真实场景中提升了动作预测性能与分布偏移下的鲁棒性。

Comments 9 pages, 4 figures. Code and model checkpoints will be released upon acceptance of the paper

Depth-Wise Probing and Pruning of the Planning Token in a Driving Vision-Language-Action Model

驾驶视觉-语言-动作模型中规划 token 的深度探测与剪枝

Harisankar Babu, Benjamin Coors, Christopher Lang, Hendrik Berkemeyer, Tamim Asfour, Simon Foell

机构 * Robert Bosch GmbH（罗伯特·博世有限公司） ； Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） 纠错

专题命中 机器人基础模型 ：navigation(abstract)；分类 cs.RO、cs.CV

AI总结 本文针对驾驶 VLA 模型的规划 token，通过探测其 32 个解码器层的信号并剪枝部分层，在误差小幅增加下实现 1.33 倍解码器加速，验证了规划信息早期存在但格式适配问题。

Comments Accepted at the 6th DriveX Workshop (Foundation Models for Autonomous Driving), ECCV 2026. 14 pages, 8 figures, 4 tables

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 机器人基础模型 ：manipulation(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。

SAM3D-Guided Object-Centric Representation Alignment for Vision-Language-Action Models

用于视觉-语言-动作模型的SAM3D引导的以对象为中心的表示对齐

Zonghe Liu, Shanyuan Jie, Xiaoquan Sun, Chen Cao, Zetian Xu, Zongsheng Liu, Jiayu Chen

机构 * University of Hong Kong（香港大学） ； Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院） ； Huazhong University of Science and Technology（华中科技大学） ； Beijing University of Aeronautics and Astronautics（北京航空航天大学） ； Infiforce（英飞拓） 纠错

专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.RO、cs.AI

AI总结 针对视觉-语言-动作模型缺乏目标对象细粒度3D理解的问题，提出以对象为中心的3D表示对齐框架，利用SAM3D提供3D先验，经定位、生成掩码、提取表示等步骤与视觉特征对齐，实验证明其可提升模型性能，尤其在长时操纵场景有效。

Comments 8 pages, 4 figures

CoTinyVLA: Chain-of-Thought Distillation for a Sub-Billion-Parameter Vision-Language-Action Model

CoTinyVLA：用于十亿参数以下视觉-语言-动作模型的思维链蒸馏

Minhyeok Lee, Chiyoung Kim, Chanhoe Gu, Seongrok Kim, Sanghyuk Roy Choi, Donghwan Hwang, Donghun Ryu, Seokhyun Kim

机构 * Chung-Ang University（韩国中央大学） 纠错

专题命中 机器人基础模型 ：robotic(abstract)；分类 cs.AI、cs.CV

AI总结 研究针对VLA模型内存需求大问题，提出CoTinyVLA模型。通过双视图时间输入、分层思维链蒸馏、释义增强三个组件，在LIBERO-Plus基准测试中取得优异成绩，证明结构化监督可让小参数主干超越其他模型。

Comments 22 pages, 2 figures, 20 tables. Code at https://github.com/BrainJellyPie/CoTinyVLA

HMVLA: Hyperbolic Multimodal Fusion for Vision-Language-Action Models

HMVLA：超几何多模态融合用于视觉-语言-动作模型

Kun Wang, Xiao Feng, Mingcheng Qu, Tonghua Su

机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Chongqing Research Institute of HIT（重庆HIT研究 institute） ； Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)（广东人工智能与数字经济实验室（深圳）） 纠错

专题命中 机器人基础模型 ：robotic(abstract)；分类 cs.RO、cs.LG

AI总结 HMVLA通过在双曲空间中融合视觉、语言和动作信息，提升多模态语义对齐的效率和准确性。

Comments 5 pages,5 figures,ICASSP

Journal ref ICASSP 2026 - 2026 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)

Generalizable VLA Finetuning via Representation Anchoring and Language-Action Alignment

通过表示锚定和语言-动作对齐实现可泛化的视觉语言动作微调

Dwip Dalal, Shivansh Patel, Chahit Jain, Jeonghwan Kim, Utkarsh Mishra, Alex Baratian, Hyeonjeong Ha, Heng Ji, Svetlana Lazebnik, Unnat Jain

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Texas A&M University（德州农工大学） ； University of California, Irvine（加州大学欧文分校） 纠错

专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.RO、cs.CV

AI总结 研究针对VLA策略微调中存在的问题提出Anchor-Align方法，通过视觉语言锚定和语言-动作对齐两个目标增强BC，在物理机器人和模拟测试中均有效果提升，表明保留预训练表示与有效动作学习可兼顾。

Comments Code: https://github.com/dwipddalal/Anchor-Align

HELP: Human-Efficient Large-Scale Robot Post-Training with Rollout Segmentation

通过 VLAC-Cut 引导的管道最大化大规模机器人训练后人类效率

Shaopeng Zhai, Qi Zhang, Tianyi Zhang, Haoran Zhang, Fuxian Huang, Zhanhui Lin, Zijun Xu, Weinan Zhang

机构 * Shanghai AI Lab（上海人工智能实验室） 纠错

专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.RO、cs.AI

AI总结 研究旨在最大化机器人训练后人类效率，提出含专门分工的高效训练后管道，引入 VLAC-CUT 工具提高数据利用效率，经四个实际任务验证，最终策略成功率达 80% - 95%，吞吐量提升 1.7 倍至 4.2 倍，优于仅人工参与训练。

VIA: Visual Interface Agent for Robot Control

VIA：用于机器人控制的视觉接口代理

Hengyuan Hu, Priya Sundaresan, Jensen Gao, Dorsa Sadigh

机构 * Stanford University（斯坦福大学） 纠错

专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.RO、cs.AI

AI总结 研究探索能否用基础模型通过视觉接口控制机器人，提出 VIA 框架，将机器人控制转为代理任务，该框架无需特定微调及特权信息，能零样本解决多种桌面操作任务，凭借基础模型能力提升取得高成功率，证明前沿代理技能可借合适接口用于机器人控制。

Pelican-VLA 0.5: Attending Before Acting Benefits Generalization

Pelican-VLA 0.5：行动前关注有益于泛化

Zeyuan Ding, Wenhai Liu, Yang Xu, Jiayu Hu, Yinda Chen, Yi Zhang, Yong Dai, Jian Tang, Xiaozhu Ju

机构 * Beijing Innovation Center of Humanoid Robotics (X-Humanoid)（北京人形机器人创新中心（X-人形机器人）） 纠错

专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.RO、cs.LG

AI总结 研究展示了Pelican-VLA 0.5统一VLA模型，无需特定注释或微调就能实现注意力级泛化。其动作路径聚焦指令相关对象和区域，能力源于感知与动作间的可学习推理插槽，在不同场景和架构中表现出色。

HiMoE-VLA: Hierarchical Mixture-of-Experts for Generalist Vision-Language-Action Policies

HiMoE-VLA：用于通用视觉-语言-动作策略的分层专家混合模型

Zhiying Du, Bei Liu, Yaobo Liang, Yichao Shen, Haidong Cao, Xiangyu Zheng, Zhiyuan Feng, Zuxuan Wu, Jiaolong Yang, Yu-Gang Jiang

机构 * Fudan University（复旦大学） ； Microsoft Research Asia（微软亚洲研究院） ； Xi’an Jiaotong University（西安交通大学） ； Tsinghua University（清华大学） 纠错

专题命中 机器人基础模型 ：robotic(abstract)；分类 cs.RO、cs.AI

AI总结 研究通用视觉-语言-动作策略训练中异构性引发的负迁移问题，提出HiMoE-VLA框架，通过分层专家混合动作模块及两个辅助目标来解决，在多项任务上取得较好结果，还能将负迁移转化为正迁移。

AnchorVLA: Bridging Discrete Decisions and Continuous Trajectories for Vision-Language-Action Planning

AnchorVLA：为视觉-语言-动作规划连接离散决策与连续轨迹

Qi Liu, Yabei Li, Hongsong Wang, Heng Zhang, Lei He

机构 * School of Vehicle and Mobility, Tsinghua University（清华大学车辆与运载学院） ； State Key Laboratory of Intelligent Green Vehicle and Mobility, Tsinghua University（清华大学智能绿色车辆与交通国家重点实验室） ； School of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院） ； Meituan Inc.（美团公司） ； Dongfeng Motor Corporation（东风汽车公司） 纠错

专题命中 机器人基础模型 ：navigation(abstract)；分类 cs.RO、cs.AI

AI总结 自动驾驶规划需将多种信息转化为连续轨迹，现有视觉-语言-动作（VLA）规划器有局限。提出AnchorVLA框架，用轨迹模式锚连接高层VLA推理与连续轨迹执行，提升效率、语义动作对齐和生成灵活性。

Guided Action Flow: Q-Guided Inference for Flow-Matching Vision-Language-Action Policies

引导动作流：面向流匹配视觉-语言-动作策略的Q引导推理

Liuhaichen Yang, Zhuang Jiang, Chenchao Sheng, Zezhi Tang

机构 * Department of Computer Science, University College London（计算机科学系，伦敦大学学院） ； Department of Mechanical Engineering, University College London（机械工程系，伦敦大学学院） 纠错

专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.RO、cs.AI

AI总结 提出Guided Action Flow框架，通过冻结预训练策略并利用学习到的动作块评论家引导逆向流采样，在LIBERO任务中单任务评论家将成功率从68.0%提升至82.0%。

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 机器人基础模型 ：manipulation(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。

Learning to Move Before Learning to Do: Task-Agnostic pretraining for VLAs

先学移动再学做事：面向VLA的任务无关预训练

Junhao Shi, Siyin Wang, Xiaopeng Yu, Li Ji, Jingjing Gong, Xipeng Qiu

机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） 纠错

专题命中 机器人基础模型 ：embodied AI(abstract)；分类 cs.RO、cs.AI

AI总结 提出任务无关预训练（TAP）框架，先通过自监督逆动力学从廉价无标签交互数据学习可迁移运动先验，再用少量专家数据将先验与语言对齐，显著降低VLA模型对专家演示的依赖。

Comments Accepted to ICML 2026, 21 pages,6 figures

MIRTH: Mutual-Information Reasoning with Temporal Hubs for Vision-Language-Action Agents

MIRTH：面向视觉-语言-动作智能体的基于互信息推理的时间枢纽

Hao Sun, Yu Song, Shiyu Teng, Ziwei Niu, Yen-Wei Chen

机构 * College of Information Science and Engineering, Ritsumeikan University（立命馆大学信息科学与工程学院） ； College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院） 纠错

专题命中 机器人基础模型 ：robotic(abstract)；分类 cs.RO、cs.AI

AI总结 提出MIRTH框架，通过双尺度时间记忆枢纽、互信息优化的潜在推理令牌和并行动作解码，解决VLA模型的时间短视、推理鸿沟和推理低效问题，在LIBERO和真实机器人上达到SOTA并展现错误恢复能力。

Comments Accepted as main conference paper at ACL 2026

SA-VLA: State-aware tokenizer for improving Vision-Language-Action Models' performance

SA-VLA: 状态感知分词器提升视觉-语言-动作模型性能

Tengyue Jiang, Chunpu Xu, Jiayue Kang, Yao Mu

机构 * Shanghai Jiao Tong University（上海交通大学） ； East China University of Science and Technology（东华大学） ； Hong Kong Polytechnic University（香港理工大学） ； Xi’an University of Electronic Science and Technology（西安电子科技大学） 纠错

专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.RO、cs.AI

AI总结 提出状态感知动作分词器SA-VLA，通过状态条件动作解码减少离散化压缩损失，在12个操作任务上将成功率从0.29提升至0.56。

Behavior Uncloning: Distilling Mode Redirection into Policy Weights without Inference-Time Steering

行为去克隆：将模式重定向蒸馏到策略权重中，无需推理时引导

Hao Wang, Jiuzhou Lei, Dayou Li, Bangya Liu, Minghui Zheng, Manling Li, Ruohan Zhang, Zhiwen Fan

专题命中 机器人基础模型 ：robot policy(abstract)；分类 cs.RO、cs.AI

AI总结 提出MoRE方法，通过短时“去克隆”步骤将模式分类器的重定向信号蒸馏到策略权重中，抑制不安全行为模式，零推理开销提升部署成功率。

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 机器人基础模型 ：robotic(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%。

G$^3$VLA: Geometric inductive bias for Vision-Language-Action Models

G$^3$VLA：视觉-语言-动作模型的几何归纳偏置

Yue Peng, Yongzhe Zhao, Artur Habuda, Khuyen Pham, Yanheng Zhu, Tran Nguyen Le, Fares Abu-Dakka, Li Guo

机构 * New York University Shanghai（上海纽约大学） ； Technical University of Denmark（丹麦技术大学） ； MBZUAI - Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； New York University Abu Dhabi（纽约大学阿布扎比分校） 纠错

专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.RO、cs.AI

AI总结 提出G$^3$VLA模块，通过射线嵌入、投影位置编码和跨视图融合为VLA模型注入相机几何先验，无需深度传感器，在多个基准和真实机器人上提升空间敏感任务性能。

Comments Submitted to CoRL 2026

NAC: Neural Action Codec for Vision-Language-Action Models

NAC: 面向视觉-语言-动作模型的神经动作编解码器

Ahad Jawaid, Yu Xiang

机构 * The University of Texas at Dallas（德克萨斯大学达拉斯分校） 纠错

专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.RO、cs.LG

AI总结 提出神经动作编解码器(NAC)，采用多尺度RVQGAN架构将短动作轨迹视为多通道1D信号进行压缩，以替代现有离散动作分词器，在LIBERO-10等任务中实现更低重建误差和更高成功率。

Pose6DAug: Physically Plausible Multi-view Object Swapping for Robot Data Augmentation

Pose6DAug: 用于机器人数据增强的物理合理多视图物体替换

Jonghoon Lee, Seong Hyeon Park, Byungwoo Jeon, Minha Lee, Jinwoo Shin

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

专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.RO、cs.LG

AI总结 提出Pose6DAug，一种基于失败驱动的数据增强框架，通过3D网格和6D姿态轨迹替换成功轨迹中的物体，生成多视图一致的物理合理演示，无需额外数据收集，在新型物体上提升VLA策略成功率16.5%。

ImageWAM: Do World Action Models Really Need Video Generation, or Just Image Editing?

ImageWAM：世界动作模型真的需要视频生成，还是只需要图像编辑？

Yuyang Zhang, Wenyao Zhang, Zekun Qi, He Zhang, Haitao Lin, Jingbo Zhang, Yao Mu, Xiaokang Yang, Wenjun Zeng, Xin Jin

机构 * Shanghai Jiao Tong University（上海交通大学） ； Eastern Institute of Technology（东方理工学院） ； Tencent Robotics X（腾讯机器人X） ； Tsinghua University（清华大学） ； Zhongguancun Academy（中关村学院） 纠错

专题命中 机器人基础模型 ：world model(abstract)；分类 cs.RO、cs.CV

AI总结 提出ImageWAM框架，利用预训练图像编辑模型替代视频生成进行机器人动作预测，通过编辑去噪的KV缓存作为世界动作上下文，在多个模拟和真实实验中优于基线，计算量降至1/6，延迟降至1/4。

Comments Project Page: https://zhangwenyao1.github.io/ImageWAM/

Bring My Cup! Personalizing Vision-Language-Action Models with Visual Attentive Prompting

Bring My Cup! 使用视觉注意力提示个性化视觉-语言-动作模型

Sangoh Lee, Sangwoo Mo, Wook-Shin Han

机构 * GSAI, POSTECH（POSTECH 人工智能研究所） ； IME, POSTECH（POSTECH 信息媒体研究所） 纠错

专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.RO、cs.AI

AI总结 针对VLA模型难以处理个性化指令的问题，提出无需训练的视觉注意力提示（VAP）方法，通过参考图像作为非参数记忆，利用开放词汇检测和嵌入匹配定位个人物品，并以视觉提示注入模型，在多个仿真和真实场景中显著提升成功率和正确物体操作。

Comments ICML 2026. Project page: https://vap-project.github.io/

Does VLA Even Know the Basics? Measuring Commonsense and World Knowledge Retention in Vision-Language-Action Models

VLA 甚至知道基础知识吗？衡量视觉-语言-动作模型中的常识和世界知识保留

Nikita Kachaev, Andrey Moskalenko, Matvey Skripkin, Nikita Kurlaev, Daria Pugacheva, Albina Burlova, Mikhail Kolosov, Denis Shepelev, Andrey Kuznetsov, Elena Tutubalina, Aleksandr I. Panov, Alexey K. Kovalev, Vlad Shakhuro

机构 * CogAI Lab（CogAI实验室） ； FusionBrain Lab（FusionBrain实验室） ； IAI MSU（MSU人工智能研究所） ； Lomonosov MSU（Lomonosov莫斯科大学） ； NUST MISIS ； Applied AI Institute（应用人工智能研究所） ； HSE University（俄罗斯高等经济大学） ； Generalizable AI Systems（可泛化人工智能系统） ； ISP RAS（俄罗斯科学院信息与自动化过程研究所） ； MIRAI ； Domain-specific NLP Group（领域特定自然语言处理小组） 纠错

专题命中 机器人基础模型 ：robotics(abstract)；分类 cs.RO、cs.LG

AI总结 提出 Act2Answer 协议，通过动作回答评估 VLA 模型的知识保留，发现模型在简单概念上表现良好，但在丰富语义类别上存在差距，且 VQA 联合训练有助于知识保留。

Comments Project page: https://tttonyalpha.github.io/act2answer/

PearlVLA: Progressive Embodied Action-Plan Refinement in Latent Space

PearlVLA：潜在空间中的渐进式具身动作计划精炼

Bochen Yang, Lianlei Shan

机构 * Imperial College London（帝国理工学院） ； Tsinghua University（清华大学） 纠错

专题命中 机器人基础模型 ：world model(abstract)；分类 cs.RO、cs.AI

AI总结 提出PearlVLA框架，通过在VLM潜在空间中进行迭代计划精炼，平衡动作生成效率与显式推理，在LIBERO基准上达到最先进性能。

Comments 21 pages, 2 figures. Preprint