VLA / 视觉-语言-动作模型

SpikeVLA: Vision-Language-Action Models with Spiking Neural Networks

SpikeVLA：基于脉冲神经网络的视觉-语言-动作模型

Ruiqi Song, Dujun Nie, Siyu Teng, Baiyong Ding, Xiaotong Zhang, Dong Li, Chenming Zhang, Yuchen Li, Hangbin Wu, Long Chen

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 提出SpikeVLA，一种脉冲VLA架构，通过事件驱动稀疏计算降低能耗，在导航和机器人控制任务中保持竞争力，适用于低功耗实时具身智能。

Comments Accepted by ICML 2026. 16 pages, 9 figures

Journal ref Proceedings of the 43rd International Conference on Machine Learning, 2026

Flatness Preserves Instruction Following in Vision-Language-Action Models

平坦性保持视觉-语言-动作模型中的指令遵循能力

Haochen Zhang, Yonatan Bisk

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

AI总结 针对VLA模型微调后忽视语言指令的问题，提出平坦性保持优化（SAM），在不增加数据或修改架构的情况下，将指令遵循率提升60%以上。

EquiVLA: A General Framework for Rotationally Equivariant Vision-Language-Action Models

EquiVLA: 旋转等变视觉-语言-动作模型的通用框架

Thien-Loc Ha, Quang-Tan Nguyen, Trong-Bao Ho, Long Dinh, Minh Duc Nguyen, Gia-Binh Nguyen, Pham Tri Quang, Minh N. Vu, Duy M. H. Nguyen, An Thai Le, Ngo Anh Vien

机构 * VinRobotics ； VinUniversity ； DFKI（德国人工智能研究中心） ； University of Stuttgart（斯图加特大学） ； IMPRS-IS（国际马克斯·普朗克智能系统研究学院） 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

AI总结 提出EquiVLA，首个端到端SO(2)等变VLA框架，通过EquiPerceptor和EquiActor实现从视觉到动作的近似等变链，在LIBERO、CALVIN和真实机器人任务上显著提升性能。

Comments Comment: First version 22 pages, project site: https://equivla.github.io/

VLALeaks: Membership Inference Attacks against Vision-Language-Action Models

VLALeaks：针对视觉-语言-动作模型的成员推理攻击

Xukun Luan, Jinyan Liu, Xuesong Li, Yuanguo Bi, Renjun Wu, Zhongxiang Lei, Di Wang

机构 * Beijing Institute of Technology（北京理工大学） 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

AI总结 提出VLALeaks方法，利用VLA模型注意力差异，通过两阶段流程（成员特征提取和攻击模型构建）首次揭示VLA模型的隐私漏洞，在多个基准上实现最优攻击性能。

Comments Security and Privacy

Act on What You See: Unlocking Safe Social Navigation in Vision-Language-Action Models

Act on What You See: 在视觉-语言-动作模型中解锁安全社交导航

Qingzi Wang, Xiyang Wu, Guangyao Shi, Dianwei Chen, Xianfeng Yang, Dinesh Manocha

机构 * University of Maryland（马里兰大学） ； University of Southern California（南加州大学） 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

AI总结 提出SALSA框架，通过两阶段无标注后训练（社交行为对齐和时间安全对齐），使预训练VLA模型利用已有表征实现安全社交导航，减少86.4%的近距离碰撞。

GIVE: Grounding Human Gestures in Vision-Language-Action Models

GIVE：在视觉-语言-动作模型中接地人类手势

Pengfei Liu, Gen Li, Junqiao Fan, Boyu Ma, Jindou Jia, Yang Xiao, Jianfei Yang

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

AI总结 针对VLA模型忽略手势导致意图理解不准的问题，提出GIVE方法，通过视觉和语义双路径增强手势理解，在真实HRI实验中目标识别准确率提升40%，任务成功率提升80%。

Comments Project page: https://luis-cloud-sg.github.io/GIVE-project/

VeriSpace: Spatially Grounded Action Verification for Vision-Language-Action Models

VeriSpace: 面向视觉-语言-动作模型的空间基础动作验证

Guiyu Zhao, Longteng Guo, Junyou Zhu, Jun Fu, Yanghong Mei, Bin Cao, Jie Jiang, Xingjian He, Jing Liu

机构 * 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） 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

AI总结 提出VeriSpace，一种3D感知的动作验证器，通过双路径3D注入场景编码和空间基础动作推理，在测试时选择候选动作，提升VLA模型的可靠性。

Comments Submit to ACM MM

Uncovering Vulnerability of Vision-Language-Action Models under Joint-Level Physical Faults

揭示视觉-语言-动作模型在关节级物理故障下的脆弱性

Minsoo Jo, Taeju Kwon, Junha Chun, Youngjoon Jeong, Taesup Kim

机构 * Graduate School of Data Science, Seoul National University（首尔大学数据科学研究生院） 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

AI总结 本研究揭示VLA模型在机器人关节级物理故障（如执行器退化、摩擦增加）下性能显著下降，并提出轻量级残差校准框架J-PARC，通过推断关节故障状态并自适应修正动作，提升鲁棒性。

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

Suppression Sticks, Locality Is Fragile: A Closed-Loop Target-and-Control Audit of Task-Vector Negation in VLA Policies

抑制会“卡住”，局部性很脆弱：对VLA策略中任务向量取反的闭环目标与控制审计

Shaoguang Wang, Weiyu Guo, Rushi Dai, Yiren Zhao, Yandong Guo, Hui Xiong

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

AI总结 本研究通过对VLA策略的闭环审计，发现任务向量减法作为快速模型编辑方法存在局部性脆弱问题，会引发目标控制分离、抗性或全局崩溃等多种不良情况，凸显了闭环评估的必要性。

Comments 28 pages, 14 figures, 40 tables. Preprint

ActFovea: Runtime Safeguarding for VLA Policies via Spatiotemporal Visual-Action Consistency

ActFovea：基于时空视觉-动作一致性的VLA策略运行时安全保障

Wenda Yu, Tianshi Wang, Fengling Li, Xin Li, Jingjing Li, Lei Zhu

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

AI总结 ActFovea是一种即插即用的VLA策略运行时安全保障框架，通过构建动作条件化凹形区域、检测时空一致性及触发安全故障，提升了机器人操纵在各类干扰下的成功率与安全性。

Comments 8 pages, 4 figures, 4 tables. Code: https://github.com/SunnyYWD/ActFovea.git

Closing the Lab-to-Store Gap: A Data-Efficient Post-Training and Experience-Driven Learning VLA Framework for Retail Humanoids

弥合实验室与商店之间的差距：一种用于零售类人机器人的数据高效训练后及经验驱动学习的VLA框架

Roger Sala Sisó, Tiago Silvério, Jakob Sand, Tran Nguyen Le

机构 * HIVE Robots（蜂巢机器人公司） ； Technical University of Denmark（丹麦技术大学） 纠错

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

AI总结 研究针对VLA类人机器人弥合实验室与实际应用差距的问题，提出DEED系统级方法，含数据高效训练后管道、经验驱动细化研究及潜在空间分析工具，经实验证明精心设计数据和训练后处理可解决该问题。

Comments 8 pages. This work has been submitted to the IEEE for possible publication

Green for Go, Red for No: Visual Grounding via Semantic Segmentation for VLA Navigation Policies

绿色代表可行，红色代表不可行：通过语义分割实现视觉基础以用于VLA导航策略

Adrian Szvoren, Dimitrios Kanoulas, Nilufer Tuptuk

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

AI总结 研究VLA导航策略的视觉基础，提出基于实时分割的方法，用SegFormer突出可通行与不可通行区域，评估两种变体，结果表明视觉基础可降误差，对长指令效果更佳，还能作为轨迹长度正则化器。

Comments Accepted for RSS 2026 workshop

The Moving Eye: Enhancing VLA Spatial Generalization via Hybrid Dynamic Data Collection

移动之眼：通过混合动态数据收集增强VLA空间泛化能力

Jincheng Tang, Yilong Zhu, Zhengyuan Xie, Jiang-Jiang Liu, Jiaxing Zhang

机构 * Lion Rock AI Lab, China Merchants Research Institute of Advanced Technology（狮岩人工智能实验室，中国商人先进科技研究院） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； Nankai University（南开大学） 纠错

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

AI总结 针对VLA模型空间泛化脆弱性问题，提出混合动态数据策略，结合连续相机运动与多样静态视角，减少虚假相关性，提升对未见相机位姿和物体配置的泛化能力。

Comments IROS 2026

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 VLA模型 ：VLA(title,title_cn)；vision-language-action(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%。

Reflective VLA: In-Context Action Consequences Make VLAs Generalize

Reflective VLA：上下文动作后果使VLA具备泛化能力

Qing Lian, Kent Yu, Lei Zhang

机构 * Futian Laboratory（福田实验室） ； International Digital Economy Academy (IDEA)（国际数字经济学院（IDEA）） ； Visincept 纠错

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

AI总结 提出Reflective VLA，通过引入观察-动作-后果三元组作为上下文，使VLA模型能感知动作的环境特异性映射，在分布偏移下平均成功率提升5.4和4.2个百分点。

Elastic Queries Reinforcement Learning: Self-Aware Policy Execution for VLA Models

弹性查询强化学习：VLA模型的自我感知策略执行

Ge Wang, Xinyu Tan, Xiang Li, Man Luo, Chengsi Yao, Shenhao Yan, Jiahao Yang, Fan Feng, Honghao Cai, Xiangyuan Wang, Zhixin Mai, Yiming Zhao, Yatong Han, Zhen Li

机构 * Ising AI ； CUHK-Shenzhen（香港中文大学（深圳）） ； PKU（北京大学） 纠错

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

AI总结 提出弹性查询强化学习（EQRL），通过轻量级潜在调度适配器动态调整VLA模型的推理步骤和动作块长度，利用评论家集成分歧估计状态难度，在降低推理成本的同时保持或提升任务成功率。

Encoder Winners Do Not Reliably Transfer Across VLA Backbone Scale: A Frozen-Backbone Grafting Diagnostic

编码器胜者无法可靠跨VLA骨干网络规模迁移：一种冻结骨干嫁接诊断方法

Qingping Zeng, Fei She

机构 * Tsinghua University（清华大学） 纠错

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

AI总结 提出冻结骨干嫁接诊断方法，发现小规模VLA上最优的视觉编码器在大规模骨干上并非最优，编码器选择依赖于骨干网络规模。

Comments 23 pages, 5 figures, 8 tables

$μ$VLA: On Recurrent Memory for Partially Observable Manipulation in VLA Models

$μ$VLA：部分可观测操作中VLA模型的循环记忆研究

Egor Cherepanov, Nikita Kachaev, Daniil Zelezetsky, Aydar Bulatov, Artem Pshenitsyn, Yuri Kuratov, Alexey Skrynnik, Aleksandr I. Panov, Alexey K. Kovalev

机构 * CogAI Lab, Moscow, Russia（CogAI实验室，莫斯科，俄罗斯） ； MIRAI, Moscow, Russia（MIRAI，莫斯科，俄罗斯） 纠错

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

AI总结 针对VLA模型在部分可观测场景中的记忆缺失问题，提出仅通过可学习记忆令牌和截断反向传播时间实现最小化循环记忆增强，在MIKASA-Robo上将训练任务成功率从0.42提升至0.84，并在LIBERO上保持全可观测性能。

Comments 34 pages, 20 figures, 9 tables

A Practical Recipe Towards Improving Sim-and-Real Correlation for VLA Evaluation

提升VLA评估中仿真与真实相关性的实用指南

Shuo Wang, Hanyuan Xu, Yingdong Hu, Fanqi Lin, Yang Gao

机构 * Tsinghua University（清华大学） ； Shanghai Qi Zhi Institute（上海期智研究院） 纠错

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

AI总结 本文系统研究仿真与真实环境在VLA策略评估中的相关性，提出统一框架来测量和提升仿真作为真实评估代理的有效性。

Comments 20 pages

Evolve Vision-Language-Action Model into an Agent with On-the-fly Tool-use

将视觉-语言-动作模型进化为具备即时工具使用能力的智能体

Yi Ding, Yanzhao Yu, Xili Dai, Xianbiao Qi, Peiwen Sun, Xueqian Wang, Xiangyu Yue, Jianan Wang

机构 * Astribot（星舟机器人） ； Tsinghua University（清华大学） ； Juxi Tech（矩芯科技） ； IntelliFusion Inc.（智融公司） ； The Chinese University of Hong Kong（香港中文大学） 纠错

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

AI总结 该研究提出带工具使用的智能体机器人（ART）框架，调优VLA模型以利用工具模块，在模拟及真实任务中成功率较基线高20%，为VLA系统实际部署奠定基础。

Comments 12 pages, 4 figures, Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern (CVPR) Findings

Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern (CVPR) Findings, 2026, pp. 1346-1357

Vision-Language-Action Models Meet World Models: Embodied Agentic AI for Low-Altitude Wireless Networks

视觉-语言-动作模型遇见世界模型：面向低空无线网络的具身智能体AI

Feibo Jiang, Li Dong, Lei Mao, Kezhi Wang, Cunhua Pan, Dong In Kim, Naofal Al-Dhahir

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

AI总结 提出具身智能体无人机框架，以VLA模型为核心实现端到端决策，引入世界模型建模环境动态，通过记忆与反射机制形成闭环优化，实现低空无线网络的鲁棒自主控制。

Uncertainty Quantification for Flow-Based Vision-Language-Action Models

基于流的视觉-语言-动作模型的不确定性量化

Ralf Römer, Maximilian Seeliger, Saida Liu, Ben Sturgis, Marco Bagatella, Daniel Marta, Andreas Krause, Angela P. Schoellig

机构 * TU Munich（慕尼黑工业大学） ； ETH Zurich（苏黎世联邦理工学院） ； MPI IS Tübingen（马克斯·普朗克智能系统研究所） 纠错

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

AI总结 提出利用速度场差异（VFD）量化流匹配模型中的认知不确定性，用于故障检测和主动微调，在LIBERO基准上实现高效任务适应。

Comments Project page: tum-lsy.github.io/uq_vla/. 28 pages, 12 figures

SparkVLA: Stop-Aware Hierarchical VLA with Adaptive Action Chunking for Long-Horizon Manipulation

SparkVLA：用于长程操作的停止感知分层视觉-语言-动作（VLA）模型，结合自适应动作分块

Xunyao Lei, Renjun Wu, Tianlin Huo, Xuesong Li

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

AI总结 针对分层VLA系统中停止与动作分块决策孤立评估的问题，提出SparkVLA，通过统一排序解决依赖，在RoboCerebra上取得显著性能提升，真实机器人实验验证了其有效性。

ViTaR: Visuo-Tactile Residual Adaptation for Foundation VLA Manipulation

ViTaR：面向基础VLA操作的视觉-触觉残差自适应方法

Yi Wang, Renjun Wu, Jinyan Liu, Xuesong Li

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

AI总结 ViTaR将触觉反馈转为有界残差修正的执行调制器，在冻结VLA上实现自适应，在UniVTAC基准上成功率提升30.6个百分点，适配真实机器人场景。

Efficient Block-Layer Parallel Inference for Vision-Language-Action on Hybrid Architectures

面向混合架构的视觉-语言-动作（VLA）高效块级并行推理

Haibo HU, Lianming Huang, Qiao Li, Nan Guan, Chun Jason Xue

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

AI总结 该研究针对VLA模型部署于车载平台的延迟与内存压力问题，提出混合CPU-GPU推理框架，通过块级划分实现资源调度，在Bench2Drive数据集及实车部署中均取得性能提升。

SSP: An Event-Matched Syn2Sim2Phy Cross-Domain Evaluation Framework for Autonomous Driving VLA Models

SSP：面向自动驾驶VLA模型的事件匹配Syn2Sim2Phy跨域评估框架

Haojie Feng, Peizhi Zhang, Xinrui Zhang, Zhuoren Li, Junpeng Huang, Xiurong Wang, Dongxiao Yin, Yuxiang Zhang, Junfan Zhu, Lu Xiong

机构 * College of Automotive and Energy Engineering, Tongji University（同济大学汽车与能源工程学院） ； Tongji Automotive Design & Research Institute Co., Ltd.（同济汽车设计研究院有限公司） ； Hubei Jingchu Humanoid Robot Co., Ltd.（湖北荆楚人形机器人有限公司） ； University of Chicago（芝加哥大学） 纠错

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

AI总结 本文提出SSP框架，通过锚定同一安全关键交互事件实现自动驾驶VLA模型的跨域评估，在合成、仿真、真实域中测得不同模型的性能差异，为VLA行为提供可复现的评估方法。

Deltoris: Enabling Real-time VLA Inference in Embodied AI via Bit-level Sparsity and Speculative Inference

Deltoris：通过比特级稀疏性和推测性推理实现具身AI中的实时VLA推理

Zheng Liu, Zeyu Guo, Zihan Liu, Anbang Wu, Han Zhao, Fangxin Liu, Zhezhi He, Yinhe Han, Jingwen Leng, Minyi Guo, Yiming Gan, Yu Feng

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

AI总结 Deltoris作为算法-硬件协同设计框架，通过时间感知比特级稀疏性、推测性推理及定制加速器，实现具身AI中实时VLA推理，加速比显著且精度相当。

Learning Panorama-Aware VLA for Mobile Manipulation with Whole-Body Teleoperation

面向全身遥操作移动操作的全景感知VLA学习

Donglin Yang, Haoran Chen, Xingyu Chen, Lixing Liu, Manyi Li, Changhe Tu, Ke Xu, Xiaojian Ma, Si Liu

机构 * Beihang University（北京航空航天大学） ； Shandong University（山东大学） ； Johns Hopkins University（约翰斯·霍普金斯大学） ； Delta Intelligence（delta智能公司） 纠错

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

AI总结 针对移动操作VLA策略的局部视野与全身演示数据收集难题，开发全身遥操作系统与PanoVLA全景感知VLA策略，基于5.5小时多模态数据集，在四项真实任务中平均阶段完成率91.3%、端到端成功率73.4%，性能优于局部视角基线。

Comments 8 pages, 4 figures

Multi-View Unified Camera Fields: Geometry-Shaped Action-Facing Representations for RGB-Only Multi-Camera VLA Policies

多视图统一相机场：面向仅RGB多相机视觉-语言-动作（VLA）策略的几何形状动作表征

Jiarui Yang, Yehao Lu, Yuning Su, Yufeng Xie, Yu Zhong, Haiyu Lan, Tianjing Hao, Kaixiang Lu, Peiwen Lin, Chuang Wang, Enyu Li, Junwei Liang

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

AI总结 本研究针对多相机VLA策略的动作表征缺陷，提出仅训练用的MVUCF框架，通过几何相关目标优化后部署无额外推理开销，在LIBERO、RoboTwin等任务及真实人形实验中均取得显著性能提升。