VLA / 视觉-语言-动作模型

RobustVLA: On Robustness of Vision-Language-Action Model against Multi-Modal Perturbations

针对多模态扰动的视觉-语言-动作模型的鲁棒性

Jianing Guo, Zhenhong Wu, Chang Tu, Yiyao Ma, Xiangqi Kong, Zhiqian Liu, Jiaming Ji, Shuning Zhang, Yuanpei Chen, Kai Chen, Qi Dou, Yaodong Yang, Xianglong Liu, Huijie Zhao, Weifeng Lv, Simin Li

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

AI总结 本研究提出RobustVLA，通过多模态鲁棒优化提升视觉-语言-动作模型在多种扰动下的鲁棒性，实验表明其在性能和推理速度上均优于现有方法。

Comments Published as a conference paper at ICLR 2026

Test-Time Training for Visual Foresight Vision-Language-Action Models

测试时训练用于视觉前瞻视觉-语言-动作模型

Sangwu Park, Wonjoong Kim, Yeonjun In, Sein Kim, Hongseok Kang, Chanyoung Park

机构 * KAIST（韩国科学技术院） 纠错

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

AI总结 本文提出了一种测试时训练方法，用于增强视觉前瞻视觉-语言-动作模型在面对分布外数据时的鲁棒性，通过引入适应性更新过滤机制来减少测试时更新带来的实际挑战。

Comments Accepted at ICML 2026 Workshop on Continual Adaptation at Scale (CATS)

FlowHijack: A Dynamics-Aware Backdoor Attack on Flow-Matching Vision-Language-Action Models

FlowHijack: 面向流匹配视觉-语言-动作模型的动态感知后门攻击

Xinyuan An, Tao Luo, Gengyun Peng, Yaobing Wang, Kui Ren, Dongxia Wang

机构 * Zhejiang University（浙江大学） ； Beijing Key Laboratory of Intelligent Space Robotic Systems Technology and Applications（北京市智能空间机器人系统技术与应用重点实验室） ； Huzhou Institute of Industrial Control Technology（湖州工业控制技术研究院） 纠错

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

AI总结 本文提出FlowHijack，首个针对流匹配VLA模型向量场动态的后门攻击框架，通过τ条件注入策略与动态模仿正则化，实现隐蔽触发器的高成功率攻击，同时保持正常任务性能。

Comments Accepted at CVPR 2026

The Compression Gap: Why Discrete Tokenization Limits Vision-Language-Action Model Scaling

压缩间隙：为什么离散标记化限制了视觉-语言-动作模型的扩展

Takuya Shiba

机构 * Shibattic Inc. 纠错

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

AI总结 本文探讨了在视觉-语言-动作模型中，离散标记化导致的压缩间隙问题，指出信息瓶颈的位置决定了模型扩展效果，而非统一增加模型或数据规模。

Comments 11 pages, 1 figure

Pretrained Vision-Language-Action Models are Surprisingly Resistant to Forgetting in Continual Learning

预训练视觉-语言-动作模型在持续学习中出人意料地表现出遗忘抵抗性

Huihan Liu, Changyeon Kim, Bo Liu, Minghuan Liu, Yuke Zhu

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Microsoft Superintelligence（微软超级智能） 纠错

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

AI总结 研究发现预训练的视觉-语言-动作模型在持续学习中表现出较强的遗忘抵抗性，简单经验回放在这些模型上效果显著，即使数据量小也能实现零遗忘。

Comments Project website: https://continual-vlas.github.io/forget-me-not/

Overcoming Visual Clutter in Vision Language Action Models via Concept-Gated Visual Distillation

通过概念门控视觉蒸馏克服视觉杂乱

Sangmim Song, Sarath Kodagoda, Marc Carmichael, Karthick Thiyagarajan

机构 * University of Technology Sydney（技术大学悉尼大学） ； Western Sydney University（西悉尼大学） 纠错

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

AI总结 本研究提出概念门控视觉蒸馏方法，通过视觉蒸馏技术解决杂乱环境中视觉语言动作模型的精度-推理间隙问题，显著提升机器人操作的成功率。

Comments 7 pages, 4 figures, 3 tables

Pri4R: Learning World Dynamics for Vision-Language-Action Models with Privileged 4D Representation

Pri4R: 通过特权4D表示学习视觉-语言-动作模型的世界动态

Jisoo Kim, Jungbin Cho, Sanghyeok Chu, Ananya Bal, Jinhyung Kim, Gunhee Lee, Sihaeng Lee, Seung Hwan Kim, Bohyung Han, Hyunmin Lee, Laszlo A. Jeni, Seungryong Kim

机构 * KAIST AI（韩国科学技术院人工智能研究中心） ； LG AI Research（LG人工智能研究） ； Yonsei University（延世大学） ； Seoul National University（首尔国立大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 Pri4R通过特权4D表示学习视觉-语言-动作模型的世界动态，提升操控任务性能

LIBERO-X: Robustness Litmus for Vision-Language-Action Models

LIBERO-X：用于视觉-语言-动作模型的鲁棒性检测仪

Guodong Wang, Chenkai Zhang, Qingjie Liu, Jinjin Zhang, Jiancheng Cai, Junjie Liu, Xinmin Liu

机构 * Meituan（美团） ； Beihang University（北京航空航天大学） 纠错

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

AI总结 LIBERO-X通过分层评估协议和多样化训练数据集，系统性地提升视觉-语言-动作模型的鲁棒性评估能力。

Comments 19 pages, 14 figures and 8 tables

CRL-VLA: Continual Vision-Language-Action Learning

CRL-VLA：持续视觉-语言-动作学习

Qixin Zeng, Shuo Zhang, Hongyin Zhang, Renjie Wang, Han Zhao, Libang Zhao, Runze Li, Donglin Wang, Chao Huang

机构 * University of Southampton, UK（英国南安普顿大学） ； Westlake University, China（西湖大学） 纠错

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

AI总结 CRL-VLA通过双批评者架构和目标条件价值公式，实现VLA模型在持续学习中的稳定与可塑性平衡，优于现有方法。

Do What You Say: Steering Vision-Language-Action Models via Runtime Reasoning-Action Alignment Verification

按言行事：通过运行时推理-动作对齐验证引导视觉-语言-动作模型

Yilin Wu, Anqi Li, Tucker Hermans, Fabio Ramos, Andrea Bajcsy, Claudia Pérez-D'Arpino

机构 * NVIDIA（NVIDIA公司） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Utah（犹他大学） ； University of Sydney（悉尼大学） 纠错

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

AI总结 通过运行时推理-动作对齐验证方法提升视觉-语言-动作模型的鲁棒性和行为组合能力

Explainable Adversarial-Robust Vision-Language-Action Model for Robotic Manipulation

可解释的对抗鲁棒视觉-语言-动作模型用于机器人操作

Ju-Young Kim, Ji-Hong Park, Myeongjun Kim, Gun-Woo Kim

机构 * Department of Computer Science and Engineering（计算机科学与工程系） ； Department of AI Convergence Engineering（人工智能融合工程系） ； Gyeongsang National University（庆尚国立大学） 纠错

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

AI总结 本文提出了一种可解释的对抗鲁棒视觉-语言-动作模型，用于提升机器人操作在对抗攻击下的动作预测精度和可解释性。

Comments Accepted to MobieSec 2025 (poster session)

UrbanVLA: A Vision-Language-Action Model for Urban Micromobility

Anqi Li, Zhiyong Wang, Jiazhao Zhang, Minghan Li, Yunpeng Qi, Zhibo Chen, Zhizheng Zhang, He Wang

机构 * Peking University（北京大学） ； Galbot ； USTC（中国科学技术大学） ； BAAI（阿里巴巴人工智能研究院） 纠错

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

VLA-Cache: Efficient Vision-Language-Action Manipulation via Adaptive Token Caching

Siyu Xu, Yunke Wang, Chenghao Xia, Dihao Zhu, Tao Huang, Chang Xu

机构 * School of Computer Science, University of Sydney（悉尼大学计算机科学学院） ； John Hopcropt Center for Computer Science, Shanghai Jiao Tong University（上海交通大学约翰·霍普克罗夫特计算机科学中心） 纠错

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

Comments Accepted to NeurIPS 2025

Bridging Embodiment Gaps: Deploying Vision-Language-Action Models on Soft Robots

Haochen Su, Cristian Meo, Francesco Stella, Andrea Peirone, Kai Junge, Josie Hughes

机构 * EPFL（苏黎世联邦理工学院） ； LatentWorlds AI ； TUDelft（代尔夫特理工大学） ； Embodied AI SA（具身人工智能股份有限公司） 纠错

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

Comments Accepted by NeurIPS 2025 SpaVLE workshop. 4 pages, 2 figures(in main paper, excluding references and supplements)

HyperVLA: Efficient Inference in Vision-Language-Action Models via Hypernetworks

Zheng Xiong, Kang Li, Zilin Wang, Matthew Jackson, Jakob Foerster, Shimon Whiteson

机构 * University of Oxford（牛津大学） 纠错

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

IRL-VLA: Training an Vision-Language-Action Policy via Reward World Model

Anqing Jiang, Yu Gao, Yiru Wang, Zhigang Sun, Shuo Wang, Yuwen Heng, Hao Sun, Shichen Tang, Lijuan Zhu, Jinhao Chai, Jijun Wang, Zichong Gu, Hao Jiang, Li Sun

机构 * Tsinghua University（清华大学） 纠错

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

Comments 9 pagres, 2 figures

A Survey on Vision-Language-Action Models for Autonomous Driving

Sicong Jiang, Zilin Huang, Kangan Qian, Ziang Luo, Tianze Zhu, Yang Zhong, Yihong Tang, Menglin Kong, Yunlong Wang, Siwen Jiao, Hao Ye, Zihao Sheng, Xin Zhao, Tuopu Wen, Zheng Fu, Sikai Chen, Kun Jiang, Diange Yang, Seongjin Choi, Lijun Sun

机构 * McGill University（麦吉尔大学） ； Tsinghua University（清华大学） ； Xiaomi Corporation（小米公司） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of Minnesota–Twin Cities（明尼苏达大学双城分校） ； State Key Laboratory of Intelligent Green Vehicle and Mobility, Tsinghua University（智能绿色车辆与移动国家重点实验室，清华大学） 纠错

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

ChatVLA-2: Vision-Language-Action Model with Open-World Embodied Reasoning from Pretrained Knowledge

Zhongyi Zhou, Yichen Zhu, Junjie Wen, Chaomin Shen, Yi Xu

机构 * Midea Group（美的集团） ； East China Normal University（华东师范大学） 纠错

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

Comments Project page: https://chatvla-2.github.io/

PointVLA: Injecting the 3D World into Vision-Language-Action Models

Chengmeng Li, Junjie Wen, Yan Peng, Yaxin Peng, Feifei Feng, Yichen Zhu

机构 * Midea Group（美的集团） ； Shanghai University（上海大学） ； East China Normal University（华东师范大学） 纠错

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

Improving Vision-Language-Action Model with Online Reinforcement Learning

Yanjiang Guo, Jianke Zhang, Xiaoyu Chen, Xiang Ji, Yen-Jen Wang, Yucheng Hu, Jianyu Chen

机构 * University of Twente（特温特大学） ； Wright State University（莱特州立大学） 纠错

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

Comments Accepted to ICRA 2025

SOLAMI: Social Vision-Language-Action Modeling for Immersive Interaction with 3D Autonomous Characters

Jianping Jiang, Weiye Xiao, Zhengyu Lin, Huaizhong Zhang, Tianxiang Ren, Yang Gao, Zhiqian Lin, Zhongang Cai, Lei Yang, Ziwei Liu

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

UniLACT: Depth-Aware RGB Latent Action Learning for Vision-Language-Action Models

UniLACT：基于深度的RGB潜在动作学习用于视觉-语言-动作模型

Manish Kumar Govind, Dominick Reilly, Pu Wang, Srijan Das

机构 * University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校） 纠错

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

AI总结 UniLACT通过引入深度感知的潜在预训练，提升视觉-语言-动作模型的空间先验能力，实验表明其在模拟和现实任务中优于基于RGB的潜在动作方法。

Comments https://manishgovind.github.io/unilact-vla/

3D CAVLA: Leveraging Depth and 3D Context to Generalize Vision Language Action Models for Unseen Tasks

3D CAVLA：利用深度和3D上下文来泛化视觉语言动作模型以应对未见任务

Vineet Bhat, Yu-Hsiang Lan, Prashanth Krishnamurthy, Ramesh Karri, Farshad Khorrami

机构 * New York University Tandon School of Engineering（纽约大学坦登工程学院） ； New York University Courant Institute of Mathematical Sciences（纽约大学库朗数学科学研究所） 纠错

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

AI总结 本文提出3D-CAVLA框架，通过引入链式推理、深度感知和任务导向的感兴趣区域检测，提升视觉语言动作模型在未见任务中的泛化能力，实验表明其在模拟和现实任务中均表现出色。

Comments Accepted at the 1st Workshop on 3D LLM/VLA, CVPR 2025. This work has been submitted to the IEEE for possible publication

Your Vision-Language-Action Model Already Has Attention Heads For Path Deviation Detection

您的视觉-语言-动作模型已具备路径偏差检测的注意力头

Jaehwan Jeong, Evelyn Zhu, Jinying Lin, Emmanuel Jaimes, Tuan-Anh Vu, Jungseock Joo, Sangpil Kim, M. Khalid Jawed

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

AI总结 本文提出一种无需训练的异常检测框架，通过监控VLA模型中的三个注意力头实时检测路径偏差，并利用轻量级RL策略进行恢复，展示了其在物理机器人上的实际鲁棒性。

Comments Keywords: Vision-Language Action (VLA), Reinforcement Learning (RL), Navigation Path Recovery, Robot Operating System (ROS)

DynamicVLA: A Vision-Language-Action Model for Dynamic Object Manipulation

DynamicVLA: 一种用于动态物体操控的视觉-语言-动作模型

Haozhe Xie, Beichen Wen, Jiarui Zheng, Zhaoxi Chen, Fangzhou Hong, Haiwen Diao, Ziwei Liu

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

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

AI总结 DynamicVLA通过整合时间推理和闭环适应，提出了一种用于动态物体操控的视觉-语言-动作模型，提升了响应速度和泛化能力。

Comments Project Page: https://www.infinitescript.com/project/dynamic-vla/ GitHub: https://github.com/hzxie/DynamicVLA

Confidence Calibration in Vision-Language-Action Models

视觉-语言-动作模型中的置信度校准

Thomas P Zollo, Richard Zemel

机构 * Columbia University（哥伦比亚大学） 纠错

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

AI总结 本文提出通过提示集合和动作-wise Platt缩放技术，改进视觉-语言-动作模型的置信度校准，以提升机器人行为的可靠性和性能。

Comments 38 pages, 19 figures; additional experiments with VLA variants

F1: A Vision-Language-Action Model Bridging Understanding and Generation to Actions

Qi Lv, Weijie Kong, Hao Li, Jia Zeng, Zherui Qiu, Delin Qu, Haoming Song, Qizhi Chen, Xiang Deng, Jiangmiao Pang

机构 * Shanghai AI Laboratory（上海人工智能实验室） ； Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） 纠错

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

Comments Homepage: https://aopolin-lv.github.io/F1-VLA/

Large VLM-based Vision-Language-Action Models for Robotic Manipulation: A Survey

Rui Shao, Wei Li, Lingsen Zhang, Renshan Zhang, Zhiyang Liu, Ran Chen, Liqiang Nie

机构 * School of Computer Science and Technology, Harbin Institute of Technology (Shenzhen)（计算机科学与技术学院，哈尔滨工业大学（深圳）） 纠错

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

Comments Project Page: https://github.com/JiuTian-VL/Large-VLM-based-VLA-for-Robotic-Manipulation

Mechanistic interpretability for steering vision-language-action models

Bear Häon, Kaylene Stocking, Ian Chuang, Claire Tomlin

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

Comments CoRL 2025. Project website: https://vla-mech-interp.github.io/

EXIMO: VLM Guided Exploration of VLA Policies

EXIMO：基于视觉语言模型引导的视觉语言动作策略探索

Bhavya Sukhija, Oliver Groth, Mohit Shridhar, Tim Hertweck, Michael Bloesch, Markus Wulfmeier, Abbas Abdolmaleki, Martin Riedmiller

机构 * Google DeepMind（谷歌DeepMind） 纠错

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

AI总结 本研究提出EXIMO算法，通过VLM引导的探索、模仿、优化三阶段微调VLA策略，解决了VLA策略微调样本效率低的问题，性能显著优于现有方法。