VLA / 视觉-语言-动作模型

GUARD: Grounding Uncertainty and Ablation-Based Risk Detection for Diffusion-Based VLAs

GUARD：面向扩散型视觉-语言动作（VLA）的不确定性与基于消融的风险检测

Suhas Hegde, Jitendra Yasaswi Bharadwaj Katta

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

AI总结 本文提出GUARD方法，无需修改预训练扩散型VLA策略即可检测其故障，在多基准测试中提升未见过任务的ROC-AUC，提供可跨多维度迁移的故障信号。

DRIFT: Derailing Denoising Trajectories of Flow-Matching VLAs with Adversarial Patch Attack

DRIFT：通过对抗性补丁攻击破坏流匹配视觉-语言-动作（VLA）模型的去噪轨迹

Hoseong Tae, Jong-Seok Lee

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

AI总结 该研究提出DRIFT对抗性补丁攻击方法，针对流匹配VLA模型pi0等，通过攻击首个去噪步骤破坏其去噪轨迹，在LIBERO套件上高效破解原本可解决的机器人任务，效果优于相关基线攻击。

FibVLA: An Efficient Temporal Vision-Language-Action Model with Fibonacci Sampling

FibVLA：一种采用斐波那契采样的高效时序视觉-语言-动作模型

Li Lin, Wujun Xu, Weiwei Meng, Kaiwen Xia, Kang Hao Cheong, Shuai Wang

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

AI总结 本文提出FibVLA框架，通过对数事后采样和流匹配等技术，解决了视觉-语言-动作模型时序信息捕捉与推理效率的矛盾，提升了动作性能与实时响应能力。

Do Vision-Language-Action Models Mean What They Say? On the Role of Faithfulness in Embodied Reasoning

视觉语言动作模型所言即所指？论忠实性在具身推理中的作用

Matthew Foutter, Matteo Cercola, Lena Wild, Yunshan Wang, Michelle Li, Daniele Gammelli, Marco Pavone

机构 * Stanford University（斯坦福大学） ； Politecnico di Milano（米兰理工大学） ； KTH Royal Institute of Technology（皇家理工学院） ； Italian Institute of Artificial Intelligence (AI4I)（意大利人工智能研究所） ； NVIDIA Research（英伟达研究院） 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.AI

AI总结 研究视觉语言动作模型中具身思维链是否真实反映决策过程。区分功能推理与忠实推理，指出当前对齐策略不足，通过人类评估揭示差距，用学习的评论家操作具身忠实性的行为替代物，强化学习后训练策略提升了忠实性。

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 VLA模型 ：VLA(title_cn,summary_cn)；vision-language-action(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

When and How Severely: Scenario-Specific Safety Envelopes for Driving VLAs

何时以及多严重：驾驶VLA的场景特定安全包络

Abhinaw Priyadershi, Jelena Frtunikj

机构 * NVIDIA Corporation（英伟达公司） ； NVIDIA GmbH（英伟达德国有限公司） 纠错

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

AI总结 针对ISO 21448下VLA驾驶规划器的安全认证，提出二维安全包络方法，通过GMM识别六种严重性等级，揭示场景特定风险差异。

MemoryVLA++: Temporal Modeling via Memory and Imagination in Vision-Language-Action Models

MemoryVLA++：通过记忆与想象在视觉-语言-动作模型中进行时间建模

Hao Shi, Weiye Li, Bin Xie, Yulin Wang, Renping Zhou, Tiancai Wang, Xiangyu Zhang, Ping Luo, Gao Huang

机构 * Tsinghua University（清华大学） ； The University of Hong Kong（香港大学） ； Dexmal ； StepFun 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

AI总结 提出MemoryVLA++框架，通过工作记忆、感知-认知记忆库和想象未来状态的世界模型，实现完整时间建模，在模拟和真实机器人任务上显著提升长时域和依赖记忆与想象的任务性能。

Comments The project is available at https://shihao1895.github.io/MemoryVLA-PP-Web

DEFLECT: Temporal Counterfactual Preference Learning for Delay-Robust Asynchronous VLAs

DEFLECT: 面向延迟鲁棒异步VLA的时间反事实偏好学习

Yixiang Zhu, Yonghao Chen, Zijie Yang, Yusong Hu, Xinyu Chen

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； One Robotics 纠错

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

AI总结 针对异步视觉-语言-动作（VLA）策略中陈旧观测导致的预测-执行不匹配问题，提出离线后训练框架DEFLECT，通过反事实偏好监督学习偏好与执行时间对齐的动作，无需人工标注、在线部署或架构修改，显著提升高延迟下的任务成功率。

CapVector: Learning Transferable Capability Vectors in Parametric Space for Vision-Language-Action Models

CapVector：在参数空间中学习可转移的能力向量用于视觉-语言-动作模型

Wenxuan Song, Han Zhao, Fuhao Li, Ziyang Zhou, Xi Wang, Jing Lyu, Pengxiang Ding, Yan Wang, Donglin Wang, Haoang Li

机构 * Zhejiang University（浙江大学） ； Westlake University（西湖大学） ； Tsinghua University（清华大学） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） 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

AI总结 本文提出一种方法，通过在参数空间中解耦辅助目标SFT的两个目标，提升通用能力与任务特定动作分布拟合，从而在减少计算开销的同时提高性能。

Towards Backdoor-Based Ownership Verification for Vision-Language-Action Models

面向视觉-语言-动作模型的后门基于所有权验证

Ming Sun, Rui Wang, Xingrui Yu, Lihua Jing, Hangyu Du, Zhenglin Wan, Xu Pan, Ivor Tsang

机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络安全学院） ； A*STAR Institute of High Performance Computing (A*STAR IHPC)（新加坡A*STAR高性能计算研究所） ； A*STAR Centre for Frontier AI Research (A*STAR CFAR)（新加坡A*STAR前沿人工智能研究中心） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算机与数据科学学院） ； College of Design and Engineering, Nanyang Technological University（南洋理工大学设计与工程学院） ； Department of Computer Science, National University of Singapore（新加坡国立大学计算机科学系） ； State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing (LIESMARS), Wuhan University（武汉大学测绘遥感信息工程国家重点实验室（LIESMARS）） 纠错

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

AI总结 本文提出GuardVLA，首个针对视觉-语言-动作模型的后门基于所有权验证框架，通过在训练中嵌入隐蔽无害的后门水印，实现可靠的模型所有权验证并保持正常任务性能。

ActDistill: General Action-Guided Self-Derived Distillation for Efficient Vision-Language-Action Models

ActDistill: 通用动作引导自衍生蒸馏用于高效视觉-语言-动作模型

Wencheng Ye, Tianshi Wang, Lei Zhu, Fengling Li, Guoli Yang, Hengtao Shen

机构 * School of Computer Science and Technology, Tongji University（同济大学计算机科学与技术学院） ； University of Technology Sydney（悉尼科技大学） ； Advanced Institute of Big Data（大数据先进研究院） 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

AI总结 本文提出ActDistill框架，通过动作先验引导知识迁移与模型压缩，实现高效视觉-语言-动作模型。实验表明，该方法在减少50%计算量的同时，性能可与全规模模型相比或更优。

Uncovering Linguistic Fragility in Vision-Language-Action Models via Diversity-Aware Red Teaming

通过多样性感知的红队行动揭示视觉-语言-动作模型中的语言脆弱性

Baoshun Tong, Haoran He, Ling Pan, Yang Liu, Liang Lin

机构 * School of Computer Science and Engineering, Sun Yat-sen University（中山大学计算机科学与工程学院） ； The Hong Kong University of Science and Technology（香港科技大学） 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

AI总结 本文提出DAERT框架，通过评估统一策略生成多样化挑战性指令，揭示VLA模型在语言变化下的脆弱性，实验显示任务成功率从93.33%降至5.85%。

Red-Teaming Vision-Language-Action Models via Quality Diversity Prompt Generation for Robust Robot Policies

通过质量多样性提示生成实现视觉-语言-动作模型的红队测试以获得鲁棒的机器人策略

Siddharth Srikanth, Freddie Liang, Ya-Chuan Hsu, Varun Bhatt, Shihan Zhao, Henry Chen, Bryon Tjanaka, Minjune Hwang, Akanksha Saran, Daniel Seita, Aaquib Tabrez, Stefanos Nikolaidis

机构 * Thomas Lord Department of Computer Science, University of Southern California（南加州大学托马斯·洛德计算机科学系） ； Sony AI（索尼AI） ； Sibley School of Mechanical and Aerospace Engineering, Cornell University（康奈尔大学西布利机械与航空航天工程学院） 纠错

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

AI总结 本文提出Q-DIG方法，通过生成多样化且相关的语言指令来发现VLA模型的漏洞，提升机器人策略的鲁棒性。

Tex3D: Objects as Attack Surfaces via Adversarial 3D Textures for Vision-Language-Action Models

Tex3D: 通过对抗性3D纹理将物体作为攻击面用于视觉-语言-动作模型

Jiawei Chen, Simin Huang, Jiawei Du, Shuaihang Chen, Yu Tian, Mingjie Wei, Chao Yu, Zhaoxia Yin

机构 * East China Normal University（华东师范大学） ； Zhongguancun Academy（中关村学院） ； CFAR, A*STAR, Singapore（新加坡科技研究局CFAR） ； Tsinghua University（清华大学） ； Harbin Institute of Technology（哈尔滨工业大学） 纠错

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

AI总结 本文提出Tex3D框架，通过对抗性3D纹理攻击视觉-语言-动作模型，揭示其在物理环境中面临的关键漏洞，展示了在仿真和真实机器人任务中显著降低模型性能的实验结果。

StreamingVLA: Streaming Vision-Language-Action Model with Action Flow Matching and Adaptive Early Observation

StreamingVLA: 流式视觉-语言-动作模型与动作流匹配及自适应早期观察

Yiran Shi, Dongqi Guo, Tianchen Zhao, Feng Gao, Liangzhi Shi, Chao Yu, ZhiJian Mo, Qihua Xiao, XiaoShuai Peng, Qingmin Liao, Yu Wang

机构 * Tsinghua University（清华大学） ； Lenovo Group Ltd.（联想集团有限公司） 纠错

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

AI总结 本文提出StreamingVLA模型，通过异步并行化视觉-语言-动作阶段，减少延迟和中断，实现2.4倍的延迟提升和6.5倍的执行中断减少。

Xiaomi-Robotics-0: An Open-Sourced Vision-Language-Action Model with Real-Time Execution

Xiaomi-Robotics-0：一个具有实时执行能力的开源视觉-语言-动作模型

Rui Cai, Jun Guo, Xinze He, Piaopiao Jin, Jie Li, Bingxuan Lin, Futeng Liu, Wei Liu, Fei Ma, Kun Ma, Feng Qiu, Heng Qu, Yifei Su, Qiao Sun, Dong Wang, Donghao Wang, Yunhong Wang, Rujie Wu, Diyun Xiang, Yu Yang, Hangjun Ye, Yuan Zhang, Quanyun Zhou

机构 * Xiaomi Robotics（小米机器人） 纠错

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

AI总结 本文提出Xiaomi-Robotics-0，通过精心设计的训练配方和部署策略，实现了高效且流畅的实时执行。模型在大规模跨体机器人轨迹和视觉语言数据上预训练，支持广泛的动作生成能力，并在真实机器人任务中表现出色。

Comments Project page: https://xiaomi-robotics-0.github.io

Towards Practical World Model-based Reinforcement Learning for Vision-Language-Action Models

面向视觉-语言-动作模型的实用世界模型强化学习

Zhilong Zhang, Haoxiang Ren, Yihao Sun, Yifei Sheng, Haonan Wang, Haoxin Lin, Zhichao Wu, Pierre-Luc Bacon, Yang Yu

机构 * National Key Laboratory for Novel Software Technology, Nanjing University, Nanjing, China（新型软件技术国家实验室，南京大学，南京，中国） ； School of Artificial Intelligence, Nanjing University, Nanjing, China（人工智能学院，南京大学，南京，中国） ； Mila - Quebec AI Institute（魁北克AI研究所） 纠错

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

AI总结 本文提出VLA-MBPO框架，解决视觉-语言-动作模型在强化学习中的世界建模、多视角一致性及稀疏奖励下的误差累积问题，提升策略性能和样本效率。

From Inference Efficiency to Embodied Efficiency: Revisiting Efficiency Metrics for Vision-Language-Action Models

从推理效率到具身效率：重新审视视觉-语言-动作模型的效率指标

Zhuofan Li, Hongkun Yang, Zhenyang Chen, Yangxuan Chen, Yingyan, Lin, Chaojian Li

机构 * Hong Kong University of Science and Technology（香港理工大学） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

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

AI总结 本文重新审视视觉-语言-动作模型的效率指标，发现传统参数、FLOPs或token解码吞吐量无法反映机器人平台的实际表现，提出具身效率指标如任务完成时间、轨迹平滑度等，揭示传统方法在具身效率上的不足。

Action Draft and Verify: A Self-Verifying Framework for Vision-Language-Action Model

动作草稿与验证：一种用于视觉-语言-动作模型的自验证框架

Chen Zhao, Zhuoran Wang, Haoyang Li, Shifeng Bao, Guanlin Li, Youhe Feng, Yang Li, Jie Tang, Jing Zhang

机构 * Key Laboratory of Data Engineering（数据工程与知识工程重点实验室） ； Tsinghua University（清华大学） ； Beijing University of Posts（北京邮电大学） ； School of Information, Renmin University of China（中国人民大学信息学院） 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

AI总结 本文提出Action-Draft-and-Verify框架，结合扩散动作专家和VLM，通过单次前向传递选择最优动作片段，提升模拟和现实场景中的成功率。

KineVLA: Towards Kinematics-Aware Vision-Language-Action Models with Bi-Level Action Decomposition

KineVLA：面向运动学感知的视觉-语言-动作模型及双层动作分解

Gaoge Han, Zhengqing Gao, Ziwen Li, Jiaxin Huang, Shaoli Huang, Fakhri Karray, Mingming Gong, Tongliang Liu

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

AI总结 本文提出KineVLA模型，通过双层动作分解实现运动学感知，提升动作执行的精度与可控性，实验表明其在运动学敏感基准上优于现有方法。

SmoothVLA: Aligning Vision-Language-Action Models with Physical Constraints via Intrinsic Smoothness Optimization

SmoothVLA: 通过内在平滑性优化对齐视觉-语言-动作模型与物理约束

Jiashun Li, Xiaoyu Shi, Hong Xie, Mingsheng Shang, Yun Lu

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

AI总结 SmoothVLA通过内在平滑性优化对齐视觉-语言-动作模型与物理约束，结合物理指导的混合奖励函数和GRPO方法，提升轨迹平滑度和泛化能力。

SaPaVe: Towards Active Perception and Manipulation in Vision-Language-Action Models for Robotics

SaPaVe：迈向视觉-语言-动作模型中的主动感知与操作

Mengzhen Liu, Enshen Zhou, Cheng Chi, Yi Han, Shanyu Rong, Liming Chen, Pengwei Wang, Zhongyuan Wang, Shanghang Zhang

机构 * State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（信息多媒体国家重点实验室，计算机科学学院，北京大学） ； School of Software, Beihang University（软件学院，北航） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） 纠错

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

AI总结 SaPaVe通过解耦相机与操作动作，结合自下而上训练策略，实现高效且可推广的主动感知与操作，在现实任务中成功率达31.25%。

Comments Accepted to CVPR 2026. See project page at https://lmzpai.github.io/SaPaVe

ReViP: Mitigating False Completion in Vision-Language-Action Models with Vision-Proprioception Rebalance

ReViP: 通过视觉-本体感知再平衡缓解视觉语言动作模型中的虚假完成

Zhuohao Li, Yinghao Li, Jian-Jian Jiang, Lang Zhou, Tianyu Zhang, Jiadong Yin, Mu Lin, Yi-Lin Wei, Wei-Shi Zheng

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

AI总结 ReViP通过引入视觉-本体感知再平衡机制，缓解视觉语言动作模型中的虚假完成问题，提升模型在扰动下的鲁棒性和任务成功率。

DexHiL: A Human-in-the-Loop Framework for Vision-Language-Action Model Post-Training in Dexterous Manipulation

DexHiL: 一种用于灵巧操作中视觉-语言-动作模型后训练的人机协同框架

Yifan Han, Zhongxi Chen, Yuxuan Zhao, Congsheng Xu, Yanming Shao, Yichuan Peng, Yao Mu, Wenzhao Lian

机构 * CASIA（中国科学院自动化研究所） ； SJTU（上海交通大学） ； Shanghai AI Laboratory（上海人工智能实验室） 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

AI总结 DexHiL是一种用于灵巧操作中视觉-语言-动作模型后训练的人机协同框架，通过干预意识的数据采样策略和轻量级远程操作界面，显著提升了模型在不同任务中的成功率。

Comments 9 pages, 5 figures

When Robots Obey the Patch: Universal Transferable Patch Attacks on Vision-Language-Action Models

当机器人服从补丁：对视觉-语言-动作模型的通用可转移补丁攻击

Hui Lu, Yi Yu, Yiming Yang, Chenyu Yi, Qixin Zhang, Bingquan Shen, Alex C. Kot, Xudong Jiang

机构 * ROSE Lab, Interdisciplinary Graduate Programme, Nanyang Technological University（罗思实验室，跨学科研究生项目，南洋理工大学） ； ROSE Lab, School of Electrical and Electronic Engineering, Nanyang Technological University（罗思实验室，电子与电气工程学院，南洋理工大学） ； CCDS, Nanyang Technological University（CCDS，南洋理工大学） ； DSO National Laboratories（国防科学局实验室） 纠错

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

AI总结 本文提出UPA-RFAS框架，通过鲁棒特征、注意和语义方法，实现对视觉-语言-动作模型的通用可转移补丁攻击，揭示了基于补丁的攻击面并为未来防御提供基线。

Comments Accepted by CVPR 2026

DropVLA: An Action-Level Backdoor Attack on Vision-Language-Action Models

DropVLA: 对视觉-语言-动作模型的行动级后门攻击

Zonghuan Xu, Jiayu Li, Yunhan Zhao, Xiang Zheng, Xingjun Ma, Yu-Gang Jiang

机构 * Institute of Trustworthy Embodied AI, Fudan University（可信具身AI研究院，复旦大学） ； Shanghai Key Laboratory of Multimodal Embodied AI（上海多模态具身AI重点实验室） ； City University of Hong Kong（香港城市大学） 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

AI总结 DropVLA是一种针对视觉-语言-动作模型的行动级后门攻击，通过有限的数据污染实现对特定动作的精准操控，验证了在现实环境中的有效性。

Comments 8 pages, 6 tables, 3 figures. Under review

BitVLA: 1-bit Vision-Language-Action Models for Robotics Manipulation

BitVLA：用于机器人操作的1位视觉-语言-动作模型

Hongyu Wang, Chuyan Xiong, Ruiping Wang, Xilin Chen

机构 * Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences University of Chinese Academy of Sciences（人工智能安全重点实验室，计算技术研究所，中国科学院，中国科学院大学） 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

AI总结 BitVLA是一种用于机器人操作的1位视觉-语言-动作模型，通过模型设计和优化提升部署效率，实现内存和延迟的显著降低。

Comments Work in progress

Sample-Efficient Robot Skill Learning for Construction Tasks: Benchmarking Hierarchical Reinforcement Learning and Vision-Language-Action VLA Model

高效机器人技能学习用于建筑任务：评估分层强化学习与视觉-语言-动作VLA模型

Zhaofeng Hu, Hongrui Yu, Vaidhyanathan Chandramouli, Ci-Jyun Liang

机构 * Department of Civil Engineering, Stony Brook University（土木工程系，石溪大学） ； Department of Civil and Environmental Engineering, Virginia Tech（土木与环境工程系，弗吉尼亚理工大学） ； Department of Electrical and Computer Engineering, Virginia Tech（电气与计算机工程系，弗吉尼亚理工大学） 纠错

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

AI总结 本研究比较了VLA模型和RL方法在建筑机器人技能学习中的效率与效果，发现VLA在泛化和少样本学习方面表现更优。

BFA++: Hierarchical Best-Feature-Aware Token Prune for Multi-View Vision Language Action Model

BFA++: 多视角视觉语言动作模型的分层最佳特征感知令牌剪枝

Haosheng Li, Weixin Mao, Zihan Lan, Hongwei Xiong, Hongan Wang, Chenyang Si, Ziwei Liu, Xiaoming Deng, Hua Chen

机构 * Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； LimX Dynamic（LimX动态） ； Nanjing University（南京大学） ； Nanyang Technological University（南洋理工大学） ； Zhejiang University（浙江大学） 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 BFA++通过分层最佳特征感知令牌剪枝提升多视角视觉语言动作模型的效率和成功率

Comments 9 pages, 10 figures

Mantis: A Versatile Vision-Language-Action Model with Disentangled Visual Foresight

Mantis：一种具有解耦视觉前瞻性能力的多功能视觉-语言-动作模型

Yi Yang, Xueqi Li, Yiyang Chen, Jin Song, Yihan Wang, Zipeng Xiao, Jiadi Su, You Qiaoben, Pengfei Liu, Zhijie Deng

机构 * SJTU（上海交通大学） ； SII（上海信息所） ； SUSTech（四川大学） ； NJUPT（南京工业大学） ； FDU（福建大学） ； BOSCH（博世） 纠错

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

AI总结 Mantis通过解耦视觉前瞻性模块提升视觉-语言-动作模型的性能，实现高成功率和快速收敛。