VLA / 视觉-语言-动作模型

Pointing-VLA: Typed Spatial Grounding Interfaces for Vision-Language-Action Manipulation

Pointing-VLA：面向视觉-语言-动作操控的类型化空间定位接口

Xiwen Chen, Zelin Li, Zhiruo Zhou, Huiming Chen, Chenwei Wang, Xiaojun Zhu

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

AI总结 Pointing-VLA是基于Embodied-R1的类型化空间读出接口，可提升VLA模型的机器人操控性能，在多任务评估中实现SOTA表现，还能高效迁移至其他机器人系统并提升真实机器人自主成功率。

Geo-VLA: Geometry-Aware Vision-Language-Action Planning via Internalization of Map Semantics

Geo-VLA：通过内化地图语义实现几何感知的视觉-语言-动作规划

Ran Chen, Jiaxing Ren, Zhikun Zhang, Yunhao Hou, Junbao Zhuo, Bochao Zou

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

AI总结 该研究针对VLA模型在复杂驾驶场景中规划性能不足的问题，提出可即插即用的Geo-VLA框架，结合自研Geo-QA数据集，在NAVSIM v1上实现单目VLA规划器的新SOTA。

ROS2SmolVLA: Enabling Small Vision-Language-Action Models for Integration into Industrial-Grade Lightweight Robots

ROS2SmolVLA：适用于集成到工业级轻量机器人的小型视觉-语言-动作模型

Nils Mandischer, Noah Böckmann, Ludwig Holl, Lars Mikelsons

机构 * University of Augsburg（奥格斯堡大学） 纠错

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

AI总结 本研究将SmolVLA适配于Universal Robots轻量机器人，发布ROS2SmolVLA开源接口，通过UR10e取放任务验证其功能，为工业级轻量机器人提供了本地可计算的小型VLA模型方案。

Comments Accepted at 8th International Conference on Industry of the Future and Smart Manufacturing, Padua & Venice, 2026

Act with Intent: Distilling Behavior Intent for Vision-Language-Action Models

依意图行动：为视觉-语言-动作模型提炼行为意图

Sangoh Lee, Sangwoo Mo, Wook-Shin Han

机构 * POSTECH（浦项科技大学） ； GSAI, POSTECH（浦项科技大学人工智能学院） ； IME, POSTECH（浦项科技大学工程学院） 纠错

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

AI总结 本文针对视觉-语言-动作（VLA）模型动作解码器未明确行为语义目标的问题，提出INDI方法提炼行为级意图，在多个基准及真实任务中显著提升了GR00T-N1.7的性能。

Comments Project page: this https URL (https://leesangoh.github.io/indi-project-page/)

Robust Bimanual Vision-Language-Action Models via Embarrassingly Simple Modality Masking

基于极其简单的模态掩码机制的鲁棒双臂视觉-语言-动作模型

Dongzhou Cheng, Ziang Li, Yixiao Zhou, Haojuan Li, Jinghao Zhang, Lei Lei, Minjing Dong, Jie Gui, Jiaqi Wang

机构 * Shanghai Innovation Institute（上海创新研究院） ； Wuhan University（武汉大学） ； Zhejiang University（浙江大学） ； Shanghai Jiao Tong University（上海交通大学） ； University of Science and Technology of China（中国科学技术大学） ； City University of Hong Kong（香港城市大学） ； Southeast University（东南大学） 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、cs.CV

AI总结 该研究针对双臂操作中查询式VLA模型的动作不连续问题，提出仅训练用的模态掩码机制（M3），在RoboTwin 2.0等任务上使平均成功率提升超11.4%至30%以上，有效增强了模型鲁棒性。

Comments 35 pages, 22 figures, 9 tables

CounterAlign: Counterfactual Supervision for Vision-Language-Action Models

CounterAlign：面向视觉-语言-动作模型的反事实监督

Haru Kondoh, Kei Ota, Asako Kanezaki, Yueh-Hua Wu

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 该研究提出CounterAlign方法，通过指令重标记从专家演示合成反事实元组，结合对抗判别器训练学习奖励模型，提升VLA模型在LIBERO-PRO基准及TX-G2机器人实验中的鲁棒性与性能。

Comments Project page: this https URL (https://counteralign.airoa.io)

UniMem: Unifying Multimodal Memory and Control for Vision-Language-Action Models

UniMem：统一视觉-语言-动作模型的多模态记忆与控制

Lars Osterberg, Maggie Wang, Mac Schwager

机构 * Stanford University（斯坦福大学） 纠错

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

AI总结 UniMem 是统一多模态记忆与控制的视觉-语言-动作模型框架，通过事件分类器、关键帧编码器等技术，在模拟和硬件任务中性能优于基线，推理更快、训练流程更简单。

Think Only When Needed: Prompt-Authority Control for Selective Slow-Path Intervention in Vision-Language-Action Manipulation

按需思考：用于视觉-语言-动作操纵中选择性慢路径干预的提示权限控制

Zhiruo Zhou, Zelin Li, Xiwen Chen, Jiazhuo Li, Chenwei Wang, Huiming Chen, Xiaojun Zhu

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

AI总结 针对视觉-语言-动作操纵中检索文本导致的提示形式崩溃问题，提出TOWN-VLA提示权限接口，在LIBERO-Plus评估和PiPER机械臂实验中提升了任务成功率。

Mamba-based Selective State Space Modeling Improves the Accuracy-Complexity Tradeoff of SmolVLA Vision-Language-Action Experts

基于Mamba的选择性状态空间建模改善SmolVLA视觉-语言-动作专家模型的精度-复杂度权衡

Farida Mohsen, Thowayba Elkaffash, Mohammad Reza Chalak Qazani, Mohamed Mabrok, Nader Meskin, Ali Safa

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 本文将SmolVLA的动作专家模块替换为Mamba的选择性状态空间建模，在LIBERO基准上，于不同执行范围下均优于Transformer基线，在N=1时参数复杂度降低24%，N=50时性能提升7.8%。

Selective Cross-View Consistency for World Action Models: Held-Out Viewpoint Robustness Without Test-Time Camera Information

面向世界动作模型的选择性跨视图一致性：无需测试时相机信息的保留视角鲁棒性

Bingqi Huang, Bingchuan Wei, Yingkai Cai, Zhaokui Wang

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

AI总结 本文针对世界动作模型提出选择性跨视图一致性方法，无需测试时相机信息，在保留视角上提升闭环成功率，同时保持分布内能力，还发现已发表相机鲁棒性数值受腕部相机位姿稳定性混淆。

LD4WAM: Learning Latent Dynamics from Human Videos for World Action Models

LD4WAM：从人类视频学习世界动作模型的潜在动力学

Zhenhao Shen, Jiaqi Liang, Jasper Lu, Feng Jiang, Yuran Wang, Chuanbo Wei, Jiayi Liu, Jianchun Yang, Qize Yu, Jiadi You, Ce Hao, Guanqi He, Chen Xie, Ruihai Wu

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

AI总结 LD4WAM通过运动对齐的潜在动力学，结合语义重建与真实运动对齐训练的潜在动力学模型和MoT架构的世界动力学动作模型，在RoboTwin仿真及真实机器人上表现良好，可泛化到未见物体与背景。

GeoWAM: Visual Geometry World Action Models for Autonomous Driving

GeoWAM：面向自动驾驶的视觉几何世界动作模型

Yiren Lu, Xin Ye, Jiaming Liu, Jin Yao, Yi-chung Chen, Liam Merino, Dhruva Dixith Kurra, Min Cai, Tom Lampo, Yu Yin, Danhua Guo, Burhan Yaman

机构 * Uber AV Labs（优步自动驾驶实验室） ； Case Western Reserve University（凯斯西储大学） 纠错

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

AI总结 该研究提出 GeoWAM，一种用于自动驾驶的视觉几何世界动作模型，通过预训练预测未来场景几何来学习动力学，经评估其生成的驾驶策略比图像基方案更强，确立未来几何预测为自动驾驶有效预训练目标。

WAM-OPD: On-Policy Distillation for World Action Models

WAM-OPD：面向世界动作模型的策略内蒸馏

Liuhaichen Yang, Zhuang Jiang, Chenchao Sheng, Zezhi Tang

机构 * University College London（伦敦大学学院） 纠错

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WAM-OPD策略内蒸馏方案，用于修复世界动作模型学生模型，在RoboTwin 2.0两项机器人任务中提升了Flash-WAM的任务成功率，为视频优先WAM提供了有前景的后训练方法。

BehaviorWorldGen: Closing the Loop between Action Models and World Simulators via Controllable Behavior-Aware Structured World Generation

BehaviorWorldGen：通过可控行为感知结构化世界生成闭合动作模型与世界模拟器之间的循环

Jiaqi Wang, Zhuo Zhang, Haining Guan, Tingguang Zhou, Haowen Cui, Zhongyang Zhu, Yulong Zheng, ChuanYe Wang, Xuefeng Chen, Zhen Yang, Tianchen Deng, Feiyang Tan, Hangning Zhou, Bo Dai, Lixia Shen, Xiwu Chen, Xiyang Wang, Jiajun Zhu

机构 * AFARI World Model Team（AFARI世界模型团队） 纠错

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

AI总结 BehaviorWorldGen通过BehaviorFlow实现可控行为感知结构化世界生成，闭合驾驶动作模型与世界模拟器的循环，在多项任务上取得改进，尤其对困难交互场景效果显著。

Inferring Action from Future Latent State for Robotic Manipulation

从未来隐状态推断机器人操纵动作

Fenghao Lei, Zhixiong Huang, Long Yang, Jiabao Chen, Jie Cheng, Peilin Huang, Han Fu, Zhuo Li, Xiaoxue Ren

机构 * DeepLeap Research（DeepLeap研究院） 纠错

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

AI总结 本文提出无需视频生成的机器人操纵模型DELE-w0.5，通过从捕获动作相关物理结果的未来隐状态推断动作，在4项长程操纵任务的480次试验中，其性能优于最强基线47.5和30.7个百分点，实现最优表现。

Triplet2Track: A Hierarchical System with Object-Centric Representations for Reliable Long-Horizon Manipulation

Triplet2Track：一种基于以对象为中心表征的可靠长 horizon 操作分层系统

Jianxiang Liu, Gaojing Zhang, Chuan Wen, Qipeng Liu, Yuxuan Zhao, Ning Guo, Wenzhao Lian

机构 * School of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学人工智能学院） ； School of Engineering and Informatics, University of Sussex（萨塞克斯大学工程与信息学院） 纠错

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

AI总结 针对长 horizon 机器人操作可靠性难题，提出 Triplet-to-Track System（TTS），该闭环模仿学习系统用人类视频减少数据依赖，经实验平均成功率达74.8%，支持对象级与组合泛化。

Comments 8 pages, 6 figures. Accepted for presentation at the 2026 IEEE International Conference on Systems, Man, and Cybernetics (SMC 2026)

The ALMA EGO-10 Survey of Massive Protoclusters: Correlation of 1.3 mm Continuum Source Clustering with Evolutionary State

ALMA EGO-10 大质量原星团巡天：1.3毫米连续谱源成团性与演化状态的关联

Michael C. Logue (1), Claudia J. Cyganowski (1), Crystal L. Brogan (2), Todd R. Hunter (2), Alessio Traficante (3), Allison P. M. Towner (4), Stella S. R. Offner (5) ((1) Scottish Universities Physics Alliance (SUPA), School of Physics and Astronomy, University of St Andrews, (2) National Radio Astronomy Observatory, (3) INAF-IAPS, (4) University of Arizona Department of Astronomy and Steward Observatory, (5) Department of Astronomy, University of Texas at Austin)

专题命中 VLA模型 ：VLA(abstract,abstract_cn)

AI总结 该研究通过ALMA EGO-10巡天观测10个EGO原星团，构建新演化指标L_cm/M_AGAL，发现其与Q参数正相关，揭示原星团从亚成团到中心致密的演化规律，支持层级式团块吸积模型。

Comments 31 pages, 15 figures, 12 tables. Accepted for publication in MNRAS. Data and code available at: doi: https://doi.org/10.5281/zenodo.20156717

Nonlocality is the missing design rule for topological photonics

非局域性是拓扑光子学缺失的设计准则

Fatemeh Davoodi

专题命中 VLA模型 ：action model(abstract)

AI总结 该研究提出将非局域性作为拓扑光子学的设计参数，通过校准工作流程明确拓扑设计准则的可靠性，利用非局域耦合实现鲁棒纳米光子器件。

On the Capability Separation Between World-Model Policy Learning and Imitated World-Action Models

世界模型策略学习与模仿世界-动作模型之间的能力分离

Yang Yu

机构 * Nanjing University（南京大学） 纠错

专题命中 动作表示与策略 ：action model(title,abstract)；分类 cs.LG

AI总结 该研究对比了直接行为克隆策略等三类策略，明确世界-动作模型学习与直接行为克隆的能力差异，指出观测演示无法识别动作效果，干预可实现零遗憾值。

Ludi${}_{\scriptscriptstyle 0.1}$: An Agentic System for Socially Intelligent Robots

Ludi₀.₁：面向社交智能机器人的智能体系统

Wooseong Chung, William Cong, Jakub Dworakowski, Ethan Ewer, Tri Wahyu Guntara, Yeonwoo Jeong, Tianchong Jiang, Chaewon Kim, Hyunseo Kim, Jinwoo Kim, Jinyeon Kim, Yea-Seul Kim, Jack Kunde, Kangwook Lee, Sangheon Lee, Robert Nowak, Junha Roh

机构 * Ludo Robotics（乐动机器人） 纠错

专题命中 机器人基础模型 ：robot foundation model(abstract)；分类 cs.RO

AI总结 该研究提出Ludi₀.₁智能体系统，集成多技能与微调视觉语言模型，为社交智能机器人提供可行的人机协作方案，还可生成相关交互轨迹用于开发更融合的机器人基础模型。

InstructMove: A Text-Indispensable Benchmark for Instruction-Following Manipulation

InstructMove：一种指令跟随操作的文本不可或缺基准

Mengao Zhao, Ziang Li, Chaodong Huang, Mengchen Ma, Haoyi Jiang, Yiwei Jin, Xinjie Wang, Yun Du, Xuewu Lin, Taojun Ding, Hongyu Xie, Jackson Jiang, Chunlei Yu, Kaihua Zhang, Lichao Huang, Liu Liu, Tianwei Lin, Zhizhong Su

机构 * Horizon Robotics（地平线机器人） ； WuwenAI（悟文智能） ； Southeast University（东南大学） ； Huazhong University of Science and Technology（华中科技大学） 纠错

专题命中 数据集与评测 ：VLA(abstract,abstract_cn)；vision-language-action(abstract)；分类 cs.RO

AI总结 针对现有操作基准无法充分检验机器人指令跟随能力的问题，提出文本不可或缺的InstructMove基准，将指令跟随分解为多环节，实验表明其可诊断视觉捷径且模拟数据能提升现实操作性能。

Comments 22 pages