VLA / 视觉-语言-动作模型

GR-RL: Going Dexterous and Precise for Long-Horizon Robotic Manipulation

GR-RL：为长周期机械操作实现灵活与精确

Yunfei Li, Xiao Ma, Jiafeng Xu, Yu Cui, Zhongren Cui, Zhigang Han, Liqun Huang, Tao Kong, Yuxiao Liu, Hao Niu, Wanli Peng, Jingchao Qiao, Zeyu Ren, Haixin Shi, Zhi Su, Jiawen Tian, Yuyang Xiao, Shenyu Zhang, Liwei Zheng, Hang Li, Yonghui Wu

机构 * ByteDance（字节跳动） 纠错

专题命中 部署与泛化 ：vision-language-action(abstract)；VLA(abstract)；robot foundation model(abstract)；分类 cs.RO、cs.LG

AI总结 GR-RL通过多阶段训练管道，将通用VLA策略转化为擅长长周期精确操作的专家策略，成功实现自主系鞋带任务。

FutureRTC: Real-Time Robot Execution with Anticipatory-Conditioned Action Chunking

FutureRTC：基于预期条件动作分块的实时机器人执行

Hai Jiang, Yixian Zou, Binbin Liang, Boqian Liu, Fanman Meng, Shuaicheng Liu

专题命中 部署与泛化 ：VLA(abstract,abstract_cn)；vision-language-action(abstract)；分类 cs.RO

AI总结 研究视觉-语言-动作策略实时部署中异步执行的问题，提出FutureRTC框架，通过状态校正和观测预测模块及策略一致性损失，无需修改底层策略，有效提升对推理延迟的鲁棒性，实现更优轨迹、执行速度和任务成功率。

Comments Project Website: https://jianghaiscu.github.io/FutureRTC_proj/

TwinRL: Digital Twin-Driven Reinforcement Learning for Real-World Robotic Manipulation

TwinRL: 基于数字孪生的强化学习用于真实世界机器人操作

Qinwen Xu, Jiaming Liu, Rui Zhou, Shaojun Shi, Nuowei Han, Zhuoyang Liu, Chenyang Gu, Shuo Gu, Yang Yue, Gao Huang, Wenzhao Zheng, Sirui Han, Peng Jia, Shanghang Zhang

机构 * State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（信息处理国家重点实验室，计算机学院，北京大学） ； Simplexity Robotics（Simplexity机器人） ； Tsinghua University（清华大学） ； Hong Kong University of Science and Technology（香港科技大学） 纠错

专题命中 部署与泛化 ：VLA(abstract,abstract_cn)；vision-language-action(abstract)；分类 cs.RO

AI总结 本文提出TwinRL框架，通过数字孪生与真实世界协同训练，提升视觉-语言-动作模型在真实世界中的探索效率和收敛速度，实现高成功率和快速收敛。

Embodied AI with Foundation Models for Mobile Service Robots: A Systematic Review

基于基础模型的具身AI在移动服务机器人中的应用：系统综述

Matthew Lisondra, Beno Benhabib, Goldie Nejat

专题命中 部署与泛化 ：vision-language-action(abstract)；action model(abstract)；分类 cs.RO、cs.CV、cs.AI

AI总结 本文系统综述了基础模型在移动服务机器人中的应用，探讨了其在具身AI中的整合、核心挑战及未来研究方向。

Comments v2: Expanded systematic review; resubmitted to Robotics

Journal ref Robotics 2026, 15(3), 55

RDT2: Exploring the Scaling Limit of UMI Data Towards Zero-Shot Cross-Embodiment Generalization

RDT2：探索UMI数据的缩放极限以实现零样本跨具身泛化

Songming Liu, Bangguo Li, Kai Ma, Lingxuan Wu, Hengkai Tan, Xiao Ouyang, Hang Su, Jun Zhu

机构 * Tsinghua University（清华大学） 纠错

专题命中 部署与泛化 ：vision-language-action(abstract)；VLA(abstract)；分类 cs.RO、cs.CV、cs.AI

AI总结 RDT2通过三阶段训练配方实现零样本跨具身泛化，提升机器人在开放词汇任务中的表现

HALO-WA: Hybrid-Attention Latent-Guided Online Reinforcement Learning for World-Action Models

HALO-WA：用于世界-动作模型的混合注意力潜在引导在线强化学习

Angen Ye, Weijie Ke, Xiaofeng Wang, Xinze Chen, Chaojun Ni, Guosheng Zhao, Boyuan Wang, Zheng Zhu, Junjie Xie, Dapeng Zhang

机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； GigaAI（字节跳动公司（推测，根据常见语境）） ； Tsinghua University（清华大学） 纠错

专题命中 部署与泛化 ：action model(title)；分类 cs.RO、cs.AI

AI总结 针对世界-动作模型在现实精度任务中易受多种误差影响的问题，提出HALO-WA框架，利用潜在特征和动作先验，通过混合注意力结构实现快速在线适应，提升动作块精度，实验验证效果显著。

DriveVA: Video Action Models are Zero-Shot Drivers

DriveVA: 视频动作模型是零样本驱动器

Mengmeng Liu, Diankun Zhang, Jiuming Liu, Jianfeng Cui, Hongwei Xie, Guang Chen, Hangjun Ye, Michael Ying Yang, Francesco Nex, Hao Cheng

机构 * University of Twente（特温特大学） ； Xiaomi EV（小米电动汽车） ； University of Cambridge（剑桥大学） ； University of Bath（巴斯大学） 纠错

专题命中 部署与泛化 ：action model(title)；分类 cs.RO、cs.CV

AI总结 DriveVA提出了一种新的自动驾驶世界模型，通过共享潜在生成过程联合解码未来视觉预测和动作序列，提升跨数据集和传感器配置的泛化能力，减少碰撞率和误差。

Comments Accepted to ECCV 2026. 30 pages, 12 figures, 11 tables

Reaction Prediction via Interaction Modeling of Symmetric Difference Shingle Sets

通过对称差鳞片集的交互建模进行反应预测

Runhan Shi, Letian Chen, Gufeng Yu, Yang Yang

机构 * AGI Institute, School of Computer Science, Shanghai Jiao Tong University（AGI研究院，计算机科学学院，上海交通大学） 纠错

专题命中 部署与泛化 ：action model(title)；分类 cs.AI、cs.LG

AI总结 ReaDISH通过引入对称差鳞片编码和几何-结构交互注意力机制，提升了反应预测的鲁棒性和泛化能力。

Improving Generalization of Language-Conditioned Robot Manipulation

Chenglin Cui, Chaoran Zhu, Changjae Oh, Andrea Cavallaro

机构 * Centre for Intelligent Sensing, Queen Mary University of London（智能传感中心，伦敦女王玛丽大学） ； Idiap Research Institute and École Polytechnique Fédérale de Lausanne（Idiap研究机构和日内瓦联邦理工学院） 纠错

专题命中 部署与泛化 ：language-conditioned robot(title)；分类 cs.RO、cs.CV

Comments 7 pages,18 figures,2 tables

RoboMME-Interference: Benchmarking Robot Memory Under Interference

干扰下的机器人记忆基准测试

Soumil Rathi

机构 * Independent Researcher（独立研究员） 纠错

专题命中 部署与泛化 ：VLA(abstract,abstract_cn)；分类 cs.RO、cs.AI、cs.LG

AI总结 提出RoboMME-Interference基准，通过跨会话干扰评估机器人长期记忆能力，发现现有系统在干扰下性能显著下降。

Comments 9 pages, 5 figures. Updated results; added subgoal-memory systems

Dejavu: Towards Experience Feedback Learning for Embodied Intelligence

Dejavu：迈向具身智能的经验反馈学习

Shaokai Wu, Yanbiao Ji, Qiuchang Li, Zhiyi Zhang, Qichen He, Wenyuan Xie, Guodong Zhang, Bayram Bayramli, Yue Ding, Hongtao Lu

机构 * School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学与工程学院） 纠错

专题命中 部署与泛化 ：vision-language-action(abstract)；VLA(abstract)；分类 cs.RO、cs.CV、cs.AI

AI总结 本文提出Dejavu框架，通过经验反馈网络增强冻结的视觉-语言-动作策略，提升具身智能任务的适应性、鲁棒性和成功率。

Scaling Sim-to-Real Reinforcement Learning for Robot VLAs with Generative 3D Worlds

在生成3D世界中扩展机器人视觉语言动作的强化学习

Andrew Choi, Xinjie Wang, Zhizhong Su, Wei Xu

机构 * Horizon Robotics（地平线机器人） 纠错

专题命中 部署与泛化 ：vision-language-action(abstract)；VLA(abstract)；分类 cs.RO、cs.AI、cs.LG

AI总结 本文提出利用生成3D世界模型来提升机器人视觉语言动作模型的泛化能力，通过生成多样化的交互场景，提高模拟到现实的迁移效果，并展示在真实世界中的性能提升。

Unified Motion-Action Modeling for Heterogeneous Robot Learning

统一运动-动作建模用于异构机器人学习

Yunhao Cao, Shitong Liu, Chao Feng, Meryl Zhang, Xuanchen Lu, Andrew Owens, Kuan Fang

机构 * Cornell University（康奈尔大学） 纠错

专题命中 部署与泛化 ：action model(title)；分类 cs.RO

AI总结 提出UMA模型，利用3D物体运动轨迹作为共享接口，通过掩码生成目标统一视觉运动控制和动力学建模，实现跨异构数据源的多任务预训练，并在部署时支持多种推理模式。

Comments https://uma-manipulation.github.io/

Adaptation of Generalist Robot Policies with Minimal Data

基于最少数据的通用机器人策略适配

Shreyas Kowshik, Sreyas Venkataraman, Leo Wang, Niharika Pant, Max Simchowitz, Aviral Kumar

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

专题命中 部署与泛化 ：VLA(abstract,abstract_cn)；分类 cs.RO、cs.LG

AI总结 本文提出MiDAS算法，结合离线行为克隆与在线强化学习，实现机器人策略仅用1次演示即可完成任务适配，性能优于基线且能泛化，为机器人自主学习提供可行方案。

NoTVLA: Semantics-Preserving Robot Adaptation via Narrative Action Interfaces

NoTVLA：通过叙事动作接口实现语义保留的机器人适应

Zheng Huang, Mingyu Liu, Xiaoyi Lin, Muzhi Zhu, Canyu Zhao, Zongze Du, Ye Lin, Xiaoman Li, Yiduo Jia, Hao Zhong, Hao Chen, Chunhua Shen

机构 * Zhejiang University（浙江大学） 纠错

专题命中 部署与泛化 ：vision-language-action(abstract)；VLA(abstract)；分类 cs.RO、cs.CV

AI总结 NoTVLA通过稀疏轨迹规划减少灾难性遗忘，提升多任务性能，以更低计算成本和无需腕部摄像头实现高精度与语言能力保留。

How VLAs (Really) Work In Open-World Environments

视觉-语言-动作模型（VLAs）在开放世界环境中的实际运作方式

Amir Rasouli, Yangzheng Wu, Zhiyuan Li, Rui Heng Yang, Xuan Zhao, Charles Eret, Sajjad Pakdamansavoji

机构 * Noah’s Ark Laboratory, Huawei Technologies Canada（华为加拿大技术有限公司诺亚实验室） 纠错

专题命中 部署与泛化 ：vision-language-action(abstract)；action model(abstract)；分类 cs.RO、cs.AI

AI总结 本文探讨了VLAs在开放世界环境中的实际运作，指出现有评估方法可能忽视安全性问题，并提出改进的评估协议以更准确衡量复杂交互场景中的性能。

Comments 8 pages, 7 figures, 2 tables

Cortex 2.0: Grounding World Models in Real-World Industrial Deployment

Cortex 2.0：在真实工业部署中将世界模型接地

Adriana Aida, Walida Amer, Katarina Bankovic, Dhruv Behl, Fabian Busch, Annie Bhalla, Minh Duong, Florian Gienger, Rohan Godse, Denis Grachev, Ralf Gulde, Elisa Hagensieker, Junpeng Hu, Shivam Joshi, Tobias Knoblauch, Likith Kumar, Damien LaRocque, Keerthana Lokesh, Omar Moured, Khiem Nguyen, Christian Preyss, Ranjith Sriganesan, Vikram Singh, Carsten Sponner, Anh Tong, Dominik Tuscher, Marc Tuscher, Pavan Upputuri

机构 * Sereact GmbH（Sereact公司） 纠错

专题命中 部署与泛化 ：vision-language-action(abstract)；action model(abstract)；分类 cs.RO、cs.AI

AI总结 Cortex 2.0通过在视觉潜在空间中生成候选未来轨迹并评分，实现了从反应式控制到计划与行动的转变，展示了在复杂工业环境中可靠的世界模型规划。

Comments 20 pages, 13 figures

ROSClaw: A Hierarchical Semantic-Physical Framework for Heterogeneous Multi-Agent Collaboration

ROSClaw：一种用于异构多智能体协作的分层语义-物理框架

Rongfeng Zhao, Xuanhao Zhang, Zhaochen Guo, Xiang Shao, Zhongpan Zhu, Bin He, Jie Chen

机构 * Shanghai Research Institute for Intelligent Autonomous Systems（上海智能自主系统研究院） ； National Key Laboratory of Autonomous Intelligent Unmanned Systems (Tongji University)（自主智能无人系统全国重点实验室（同济大学）） ； Frontiers Science Center for Intelligent Autonomous Systems（智能自主系统前沿科学中心） ； Tongji University（同济大学） ； College of Electronics and Information Engineering, Tongji University（同济大学电子与信息工程学院） 纠错

专题命中 部署与泛化 ：vision-language-action(abstract)；VLA(abstract)；分类 cs.RO、cs.AI

AI总结 ROSClaw通过统一视觉语言模型控制器整合策略学习与任务执行，构建仿真到现实的拓扑映射，实现多智能体协作中的语义连续性和动态任务分配，提升多策略执行的鲁棒性。

RoboClaw: An Agentic Framework for Scalable Long-Horizon Robotic Tasks

RoboClaw：一个用于可扩展长周期机器人任务的代理框架

Ruiying Li, Yunlang Zhou, YuYao Zhu, Kylin Chen, Jingyuan Wang, Sukai Wang, Kongtao Hu, Minhui Yu, Bowen Jiang, Zhan Su, Jiayao Ma, Xin He, Yongjian Shen, Yang Yang, Guanghui Ren, Maoqing Yao, Wenhao Wang, Yao Mu

机构 * AgiBot ； National University of Singapore（新加坡国立大学） ； Shanghai Jiao Tong University（上海交通大学） ； MoE Key Lab of Artificial Intelligence, AI Institute, SJTU（上海交通大学人工智能研究院教育部人工智能重点实验室） 纠错

专题命中 部署与泛化 ：vision-language-action(abstract)；VLA(abstract)；分类 cs.RO、cs.AI

AI总结 RoboClaw通过统一数据收集、策略学习和任务执行，提高长周期机器人任务的稳定性和可扩展性，减少人工干预，提升多策略鲁棒性。

Comments Code available at: https://github.com/RoboClaw-Robotics/RoboClaw

RoboFAC: A Comprehensive Framework for Robotic Failure Analysis and Correction

RoboFAC：机器人故障分析与纠正的综合框架

Zewei Ye, Weifeng Lu, Minghao Ye, Tao Lin, Shuo Yang, Junchi Yan, Bo Zhao

机构 * School of AI, Shanghai Jiao Tong University（上海交通大学人工智能学院） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） 纠错

专题命中 部署与泛化 ：vision-language-action(abstract)；VLA(abstract)；分类 cs.RO、cs.AI

AI总结 RoboFAC通过构建大规模故障中心数据集，开发轻量级多模态模型，提升机器人故障诊断与纠正能力，实验显示其故障分析准确率比GPT-4o高34.1%。

EMMA: Generalizing Real-World Robot Manipulation via Generative Visual Transfer

EMMA: 通过生成性视觉迁移实现现实世界机器人操作的泛化

Zhehao Dong, Xiaofeng Wang, Zheng Zhu, Yirui Wang, Yang Wang, Yukun Zhou, Boyuan Wang, Chaojun Ni, Runqi Ouyang, Wenkang Qin, Xinze Chen, Yun Ye, Guan Huang, Zhen Lu, Yue Yang

专题命中 部署与泛化 ：vision-language-action(abstract)；VLA(abstract)；分类 cs.RO、cs.AI

AI总结 EMMA通过生成性视觉迁移框架提升机器人操作的泛化能力，结合生成数据引擎与高效训练流程，实现多视角一致性和几何精度的提升，实验证明其在零样本场景下的显著性能提升。

$π$-StepNFT: Wider Space Needs Finer Steps in Online RL for Flow-based VLAs

$π$-StepNFT: 更宽的空间需要更细的步骤在线RL用于基于流的VLAs

Siting Wang, Xiaofeng Wang, Zheng Zhu, Minnan Pei, Xinyu Cui, Cheng Deng, Jian Zhao, Guan Huang, Haifeng Zhang, Jun Wang

专题命中 部署与泛化 ：vision-language-action(abstract)；VLA(abstract)；分类 cs.RO、cs.CV

AI总结 $π$-StepNFT通过分步负向感知微调方法，在在线强化学习中提升基于流的VLAs的性能和泛化能力。

MOTIF: Learning Action Motifs for Few-shot Cross-Embodiment Transfer

MOTIF: 为少样本跨躯体迁移学习动作动机

Heng Zhi, Wentao Tan, Lei Zhu, Fengling Li, Jingjing Li, Guoli Yang, Heng Tao Shen

机构 * Tongji University（同济大学） ； University of Technology Sydney（技术悉尼大学） ； University of Electronic Science（电子科学大学） ； Advanced Institute of Big Data（大数据高级研究所） 纠错

专题命中 部署与泛化 ：vision-language-action(abstract)；VLA(abstract)；分类 cs.RO、cs.AI

AI总结 MOTIF通过学习动作动机实现高效的少样本跨躯体迁移，提升机器人在新躯体上的动作生成能力。

Benchmarking Affordance Generalization with BusyBox

通过BusyBox评估具身泛化能力

Dean Fortier, Timothy Adamson, Tess Hellebrekers, Teresa LaScala, Kofi Ennin, Michael Murray, Andrey Kolobov, Galen Mullins

机构 * Microsoft Research（微软研究院） ； Mississippi State University（密苏里州立大学） 纠错

专题命中 部署与泛化 ：vision-language-action(abstract)；VLA(abstract)；分类 cs.RO、cs.AI

AI总结 本文提出BusyBox基准，用于评估VLA模型在具身泛化能力上的表现，通过模块化设计挑战模型对新物体的操作能力。

REALM: A Real-to-Sim Validated Benchmark for Generalization in Robotic Manipulation

REALM：一种用于机器人操作中泛化能力评估的实-仿真实验室基准

Martin Sedlacek, Pavlo Yefanov, Georgy Ponimatkin, Jai Bardhan, Simon Pilc, Mederic Fourmy, Evangelos Kazakos, Cees G. M. Snoek, Josef Sivic, Vladimir Petrik

机构 * Czech Institute of Informatics, Robotics and Cybernetics（捷克信息学、机器人学与自动化研究所） ； Czech Technical University in Prague（布拉格捷克技术大学） ； Faculty of Electrical Engineering（电气工程学院） ； University of Amsterdam（阿姆斯特丹大学） 纠错

专题命中 部署与泛化 ：vision-language-action(abstract)；VLA(abstract)；分类 cs.RO、cs.AI

AI总结 REALM通过高保真仿真环境评估VLA模型在机器人操作中的泛化能力，揭示了其在现实世界中的挑战和局限性。

Comments 9 pages, 10 figures

Improving Robotic Manipulation Robustness via NICE Scene Surgery

通过NICE场景手术提升机器人操作的鲁棒性

Sajjad Pakdamansavoji, Mozhgan Pourkeshavarz, Adam Sigal, Zhiyuan Li, Rui Heng Yang, Amir Rasouli

机构 * Huawei Technologies Canada（华为技术加拿大公司） 纠错

专题命中 部署与泛化 ：vision-language-action(abstract)；VLA(abstract)；分类 cs.RO、cs.AI

AI总结 NICE通过增强场景上下文减少分布外差距，提升机器人操作在复杂环境中的鲁棒性和安全性。

Comments 11 figures, 3 tables

Human-assisted Robotic Policy Refinement via Action Preference Optimization

Wenke Xia, Yichu Yang, Hongtao Wu, Xiao Ma, Tao Kong, Di Hu

机构 * Gaoling School of Artificial Intelligence, Renmin University of China, Beijing（中国人民大学北京校区人工智能学院） ； Engineering Research Center of Next-Generation Intelligent Search（下一代智能搜索与推荐工程研究中心） ； Beijing Key Laboratory of Research on Large Models（北京大型模型研究重点实验室） 纠错

专题命中 部署与泛化 ：vision-language-action(abstract)；VLA(abstract)；分类 cs.RO、cs.AI

Comments Accepted By NeurIPS 2025

Boosting Robotic Manipulation Generalization with Minimal Costly Data

Liming Zheng, Feng Yan, Fanfan Liu, Chengjian Feng, Yufeng Zhong, Lin Ma

专题命中 部署与泛化 ：vision-language-action(abstract)；VLA(abstract)；分类 cs.RO、cs.LG

Object-Focus Actor for Data-efficient Robot Generalization Dexterous Manipulation

Yihang Li, Tianle Zhang, Xuelong Wei, Jiayi Li, Lin Zhao, Dongchi Huang, Zhirui Fang, Minhua Zheng, Wenjun Dai, Xiaodong He

机构 * JD Explore Academy（京东探索学院） ； JD Company（京东公司） ； Beijing Jiaotong University（北京交通大学） 纠错

专题命中 部署与泛化 ：vision-language-action(abstract)；VLA(abstract)；分类 cs.RO、cs.AI

ReBot: Scaling Robot Learning with Real-to-Sim-to-Real Robotic Video Synthesis

Yu Fang, Yue Yang, Xinghao Zhu, Kaiyuan Zheng, Gedas Bertasius, Daniel Szafir, Mingyu Ding

机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； Robotics and AI Institute（机器人与人工智能研究院） ； University of Washington（华盛顿大学） 纠错

专题命中 部署与泛化 ：vision-language-action(abstract)；VLA(abstract)；分类 cs.RO、cs.CV

Comments Website: https://yuffish.github.io/rebot/