VLA / 视觉-语言-动作模型

Enhancing Linguistic Generalization of VLA: Fine-Tuning OpenVLA via Synthetic Instruction Augmentation

增强 VLA 的语言泛化能力：通过合成指令增强细调 OpenVLA

Dongik Shin

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

AI总结 本文提出通过合成指令集提升 OpenVLA 的语言泛化能力，利用 LoRA 技术在增强数据上微调，增强复杂自然语言意图与机器人动作之间的桥梁。

Learning from Mistakes: Post-Training for Driving VLA with Takeover Data

从错误中学习：使用接管数据进行驾驶VLA的后训练

Yinfeng Gao, Deqing Liu, Qichao Zhang, Yupeng Zheng, Haochen Tian, Guang Li, Hangjun Ye, Long Chen, Da-Wei Ding, Dongbin Zhao

机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） 纠错

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

AI总结 本文提出TakeVLA框架，通过预接管语言监督和场景做梦方法，提升驾驶VLA的闭环性能与安全性，实验显示在Bench2Drive基准上优于SimLingo。

ST-VLA: Enabling 4D-Aware Spatiotemporal Understanding for General Robot Manipulation

ST-VLA：为通用机器人操作实现4D感知的时空理解

You Wu, Zixuan Chen, Cunxu Ou, Wenxuan Wang, Wenbo Huang, Lin Cao, Yangtao Chen, Weichao Qiu, Xingyue Quan, Jieqi Shi, Jing Huo, Yang Gao

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

AI总结 ST-VLA通过统一的3D-4D表示连接感知与动作，利用ST-Human数据集训练时空视觉语言模型，提升复杂3D场景中的鲁棒性和泛化能力。

Comments 25 pages, under review

RAPID: Redundancy-Aware and Compatibility-Optimal Edge-Cloud Partitioned Inference for Diverse VLA Models

RAPID: 为多样化VLA模型设计的冗余感知且兼容最优的边缘-云分区推理

Zihao Zheng, Sicheng Tian, Hangyu Cao, Chenyue Li, Jiayu Chen, Maoliang Li, Xinhao Sun, Hailong Zou, Guojie Luo, Xiang Chen

机构 * School of Computer Science, Peking University（北京大学计算机科学学院） ； School of Artificial Intelligence, Beijing Normal University（北京师范大学人工智能学院） ； School of Software Engineering, South China University of Technology（华南理工大学软件工程学院） ； School of Electronics Engineering and Computer Science, Peking University（北京大学电子工程与计算机科学学院） 纠错

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

AI总结 RAPID框架通过优化边缘-云分区策略，有效解决VLA模型在边缘计算中的冗余问题和噪声干扰，实现高效推理与低开销的性能提升。

MergeVLA: Cross-Skill Model Merging Toward a Generalist Vision-Language-Action Agent

MergeVLA: 朝着通用视觉-语言-动作代理的跨技能模型合并

Yuxia Fu, Zhizhen Zhang, Yuqi Zhang, Zijian Wang, Zi Huang, Yadan Luo

机构 * UQMM Lab, The University of Queensland（昆士兰大学UQMM实验室） 纠错

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

AI总结 MergeVLA通过设计保留模型合并性，利用稀疏激活的LoRA适配器和跨注意力机制，实现多技能任务的高效泛化。

Comments Accepted to CVPR 2026

TempoFit: Plug-and-Play Layer-Wise Temporal KV Memory for Long-Horizon Vision-Language-Action Manipulation

TempoFit: 无需训练的分层时间KV内存用于长时视觉-语言-动作操控

Jun Sun, Boyu Yang, Jiahao Zhang, Ning Ma, Chencheng Wu, Siqing Zhang, Yiou Huang, Qiufeng Wang, Shan Liang, Yaran Chen

机构 * Xi’an Jiaotong-Liverpool University（西安交通大学利物浦大学） 纠错

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

AI总结 TempoFit通过无需训练的分层时间KV内存提升长时视觉-语言-动作操控性能，有效解决记忆缺失问题，提升任务成功率。

HSC-VLA: Hierarchical Scene-Clearing for Robust Bimanual Manipulation in Dense Clutter

HSC-VLA：分层场景清除用于密集杂乱环境中的鲁棒双臂操作

Zhen Liu, Xinyu Ning, Zhe Hu, XinXin Xie, Yitong Liu, Zhongzhu Pu

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Tsinghua University（清华大学） 纠错

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

AI总结 HSC-VLA 通过分层场景清除方法提升密集杂乱环境中的双臂操作鲁棒性，实现 86.7% 的高成功率。

PhysiFlow: Physics-Aware Humanoid Whole-Body VLA via Multi-Brain Latent Flow Matching and Robust Tracking

PhysiFlow: 通过多脑潜在流匹配和鲁棒跟踪实现物理感知的人形全身体控制VLA

Weikai Qin, Sichen Wu, Ci Chen, Mengfan Liu, Linxi Feng, Xinru Cui, Haoqi Han, Hesheng Wang

机构 * department of Automation Engineering, Shanghai Jiao Tong University（自动化工程系，上海交通大学） ； Department of Automation, Key Laboratory of System Control and Information Processing of Ministry of Education, Key Laboratory of Marine Intelligent Equipment and System of Ministry of Education, Shanghai Engineering Research Center of Intelligent Control and Management, Shanghai Jiao Tong University（自动化系，教育部系统控制与信息处理重点实验室，教育部海洋智能设备与系统重点实验室，智能控制与管理上海工程研究中心，上海交通大学） 纠错

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

AI总结 PhysiFlow通过多脑潜在流匹配和鲁棒跟踪，实现了物理感知的人形机器人全身控制的VLA融合，提升了动态肢体协调任务的稳定性与效率。

Critic in the Loop: A Tri-System VLA Framework for Robust Long-Horizon Manipulation

循环批评者：一种三系统VLA框架用于鲁棒的长周期操控

Pengfei Yi, Yingjie Ma, Wenjiang Xu, Yanan Hao, Shuai Gan, Wanting Li, Shanlin Zhong

机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； the School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） 纠错

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

AI总结 循环批评者提出了一种三系统VLA框架，通过动态调度VLM和VLA实现鲁棒的长周期操控，提升系统在分布外场景的自主性和鲁棒性。

Unleashing VLA Potentials in Autonomous Driving via Explicit Learning from Failures

通过从失败中显式学习解锁VLA在自动驾驶中的潜力

Yuechen Luo, Qimao Chen, Fang Li, Shaoqing Xu, Jaxin Liu, Ziying Song, Zhi-xin Yang, Fuxi Wen

机构 * Tsinghua University（清华大学） ； University of Macau（澳门大学） ； Beijing Jiaotong University（北京交通大学） 纠错

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

AI总结 本文提出ELF-VLA框架，通过显式学习失败来提升自动驾驶中VLA模型的性能，实现关键场景的解决并取得SOTA效果。

FAVLA: A Force-Adaptive Fast-Slow VLA model for Contact-Rich Robotic Manipulation

FAVLA：一种力适应的快速-慢速VLA模型用于接触丰富的机械臂操作

Yao Li, Peiyuan Tang, Wuyang Zhang, Chengyang Zhu, Yifan Duan, Weikai Shi, Xiaodong Zhang, Zijiang Yang, Jianmin Ji, Yanyong Zhang

机构 * University of Science and Technology of China（中国科学技术大学） ； Xi'an Jiaotong University（西安交通大学） ； Central South University（中南大学） 纠错

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

AI总结 FAVLA通过解耦慢感知规划与快速接触感知控制，提升接触丰富任务中的反应性和成功率。

GigaBrain-0.5M*: a VLA That Learns From World Model-Based Reinforcement Learning

GigaBrain-0.5M*: 基于世界模型强化学习的VLA

GigaBrain Team, Boyuan Wang, Bohan Li, Chaojun Ni, Guan Huang, Guosheng Zhao, Hao Li, Jie Li, Jindi Lv, Jingyu Liu, Lv Feng, Mingming Yu, Peng Li, Qiuping Deng, Tianze Liu, Xinyu Zhou, Xinze Chen, Xiaofeng Wang, Yang Wang, Yifan Li, Yifei Nie, Yilong Li, Yukun Zhou, Yun Ye, Zhichao Liu, Zheng Zhu

机构 * GigaBrain Team（GigaBrain团队） 纠错

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

AI总结 GigaBrain-0.5M*通过基于世界模型的强化学习提升VLA模型的跨任务适应能力，实现复杂操作任务的可靠执行。

Comments https://gigabrain05m.github.io/

IG-RFT: An Interaction-Guided RL Framework for VLA Models in Long-Horizon Robotic Manipulation

IG-RFT: 一种基于交互引导的强化学习框架用于长时域机器人操作中的VLA模型

Zhian Su, Weijie Kong, Haonan Dong, Huixu Dong

机构 * Grasp Laboratory, Mechanical Engineering Department, Zhejiang University（浙江大学机械工程学院抓取实验室） ； Torch Kernel Co., Ltd.（火炬核科技有限公司） 纠错

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

AI总结 IG-RFT通过交互引导强化学习框架提升VLA模型在长时域机器人任务中的性能，实现85%的成功率，优于传统方法。

How Fast Can I Run My VLA? Demystifying VLA Inference Performance with VLA-Perf

我如何快速跑动我的VLA？通过VLA-Perf解密VLA推理性能

Wenqi Jiang, Jason Clemons, Karu Sankaralingam, Christos Kozyrakis

机构 * NVIDIA Research（英伟达研究） 纠错

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

AI总结 本文通过VLA-Perf分析VLA模型的推理性能，探讨了模型设计和部署对实时推理的影响，提出了15项关键结论以指导未来VLA系统设计。

Selective Perception for Robot: Task-Aware Attention in Multimodal VLA

机器人选择性感知：多模态VLA中的任务感知注意力

Young-Chae Son, Jung-Woo Lee, Yoon-Ji Choi, Dae-Kwan Ko, Soo-Chul Lim

机构 * Dongguk University（东国大学） 纠错

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

AI总结 本文提出了一种动态信息融合框架，通过任务感知注意力提升机器人多模态VLA模型的效率与鲁棒性。

DriveFine: Refining-Augmented Masked Diffusion VLA for Precise and Robust Driving

DriveFine: 通过细化增强的掩码扩散VLA实现精确且鲁棒的驾驶

Chenxu Dang, Sining Ang, Yongkang Li, Haochen Tian, Jie Wang, Guang Li, Hangjun Ye, Jie Ma, Long Chen, Yan Wang

机构 * Huazhong University of Science and Technology（华中科技大学） ； Xiaomi EV（小米电动车） ； Institute for AI Industry Research (AIR), Tsinghua University（人工智能产业研究院（AIR），清华大学） 纠错

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

AI总结 DriveFine提出一种结合灵活解码与自我纠正能力的掩码扩散VLA模型，通过插件式块MoE和混合强化学习策略提升自动驾驶规划的精度与鲁棒性。

VLAW: Iterative Co-Improvement of Vision-Language-Action Policy and World Model

VLAW: 视觉-语言-动作策略与世界模型的迭代共改进

Yanjiang Guo, Tony Lee, Lucy Xiaoyang Shi, Jianyu Chen, Percy Liang, Chelsea Finn

机构 * Stanford University（斯坦福大学） ； Tsinghua University（清华大学） 纠错

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

AI总结 本文提出通过迭代改进视觉-语言-动作策略与世界模型，提升真实机器人任务的性能和可靠性。

Comments Project Page: https://sites.google.com/view/vlaw-arxiv

CRAFT: Adapting VLA Models to Contact-rich Manipulation via Force-aware Curriculum Fine-tuning

CRAFT: 通过力感知的课程微调适应接触密集的操纵

Yike Zhang, Yaonan Wang, Xinxin Sun, Kaizhen Huang, Zhiyuan Xu, Junjie Ji, Zhengping Che, Jian Tang, Jingtao Sun

机构 * National Engineering Research Center of Robot Visual Perception and Control Technology, Hunan University（机器人视觉感知与控制技术国家工程研究中心，湖南大学） ； Beijing Innovation Center of Humanoid Robotics（人形机器人创新中心） ； Department of Electrical and Computer Engineering, National University of Singapore（新加坡国立大学电气与计算机工程系） 纠错

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

AI总结 CRAFT通过力感知课程微调提升机器人在接触密集任务中的表现，实现稳健且可推广的操纵能力。

BagelVLA: Enhancing Long-Horizon Manipulation via Interleaved Vision-Language-Action Generation

BagelVLA: 通过交错视觉-语言-动作生成增强长时程操作

Yucheng Hu, Jianke Zhang, Yuanfei Luo, Yanjiang Guo, Xiaoyu Chen, Xinshu Sun, Kun Feng, Qingzhou Lu, Sheng Chen, Yangang Zhang, Wei Li, Jianyu Chen

机构 * Tsinghua University（清华大学） 纠错

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

AI总结 BagelVLA通过整合语言规划、视觉预测和动作生成，提升复杂长时程操作任务的性能。

Rethinking Visual-Language-Action Model Scaling: Alignment, Mixture, and Regularization

重新思考视觉-语言-动作模型的扩展：对齐、混合与正则化

Ye Wang, Sipeng Zheng, Hao Luo, Wanpeng Zhang, Haoqi Yuan, Chaoyi Xu, Haiweng Xu, Yicheng Feng, Mingyang Yu, Zhiyu Kang, Zongqing Lu, Qin Jin

机构 * Renmin University of China（中国人民大学） ； BeingBeyond ； Peking University（北京大学） 纠错

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

AI总结 本研究重新审视视觉-语言-动作模型的扩展问题，探讨了对齐、混合与正则化在机器人控制中的关键作用，挑战了传统假设并提供实践指导。

From Knowing to Doing Precisely: A General Self-Correction and Termination Framework for VLA models

从认知到精准执行：一种通用的自我校正与终止框架用于VLA模型

Wentao Zhang, Aolan Sun, Wentao Mo, Xiaoyang Qu, Yuxin Zheng, Jianzong Wang

机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University, Shenzhen, China（清华大学深圳国际研究生院，清华大学，深圳，中国） ； Ping An Technology (Shenzhen) Co., Ltd., Shenzhen, China（平安科技（深圳）有限公司，深圳，中国） 纠错

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

AI总结 本文提出VLA-SCT框架，通过自我校正和终止机制提升VLA模型在抓取任务中的精度和鲁棒性，提高复杂环境下的执行可靠性。

Comments Accepted to 2026 IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP 2026)

Listen, Look, Drive: Coupling Audio Instructions for User-aware VLA-based Autonomous Driving

Listen, Look, Drive: 通过用户意识的VLA基于自主驾驶的音频指令耦合

Ziang Guo, Feng Yang, Xuefeng Zhang, Jiaqi Guo, Kun Zhao, Yixiao Zhou, Peng Lu, Sifa Zheng, Zufeng Zhang

机构 * SuZhou Automotive Research Institute of Tsinghua University（清华大学苏州汽车研究院） ； Department of Electrical and Electronic Engineering, The University of Hong Kong（香港大学电子与电气工程系） ； Hyundai Motor Advanced Tech. R&D Center ； School of Vehicle and Mobility, Tsinghua University（清华大学车辆与移动系统学院） 纠错

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

AI总结 EchoVLA通过结合音频指令与视觉信息，提升自动驾驶对用户意图和情绪的感知能力，显著降低误差和碰撞率。

Comments Accepted by IV

Spatial-Aware VLA Pretraining through Visual-Physical Alignment from Human Videos

通过人类视频中的视觉-物理对齐实现空间感知的VLA预训练

Yicheng Feng, Wanpeng Zhang, Ye Wang, Hao Luo, Haoqi Yuan, Sipeng Zheng, Zongqing Lu

机构 * Peking University（北京大学） ； Renmin University of China（中国人民大学） ； BeingBeyond 纠错

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

AI总结 通过人类视频中的视觉-物理对齐实现空间感知的VLA预训练，提升机器人任务的稳健性和通用性。

ManualVLA: A Unified VLA Model for Chain-of-Thought Manual Generation and Robotic Manipulation

ManualVLA: 一种统一的VLA模型用于链式思维手动生成和机器人操作

Chenyang Gu, Jiaming Liu, Hao Chen, Runzhong Huang, Qingpo Wuwu, Zhuoyang Liu, Xiaoqi Li, Ying Li, Renrui Zhang, Peng Jia, Pheng-Ann Heng, Shanghang Zhang

机构 * State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（多媒体信息处理国家重点实验室，计算机学院，北京大学） ； The Chinese University of Hong Kong（香港中文大学） ； Simplexity Robotics Project（Simplexity机器人项目） 纠错

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

AI总结 ManualVLA通过融合多模态手册生成与动作执行，提升机器人长周期任务中的规划与操作能力。

FT-NCFM: An Influence-Aware Data Distillation Framework for Efficient VLA Models

FT-NCFM: 一种面向影响的数据蒸馏框架用于高效VLA模型

Kewei Chen, Yayu Long, Shuai Li, Mingsheng Shang

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

AI总结 FT-NCFM通过智能数据蒸馏框架提升VLA模型效率，实现训练数据减少80%的同时成功率达85-90%

Comments Accepted at the AAAI Conference on Artificial Intelligence (AAAI-26)

Dexbotic: Open-Source Vision-Language-Action Toolbox

Bin Xie, Erjin Zhou, Fan Jia, Hao Shi, Haoqiang Fan, Haowei Zhang, Hebei Li, Jianjian Sun, Jie Bin, Junwen Huang, Kai Liu, Kaixin Liu, Kefan Gu, Lin Sun, Meng Zhang, Peilong Han, Ruitao Hao, Ruitao Zhang, Saike Huang, Songhan Xie, Tiancai Wang, Tianle Liu, Wenbin Tang, Wenqi Zhu, Yang Chen, Yingfei Liu, Yizhuang Zhou, Yu Liu, Yucheng Zhao, Yunchao Ma, Yunfei Wei, Yuxiang Chen, Ze Chen, Zeming Li, Zhao Wu, Ziheng Zhang, Ziming Liu, Ziwei Yan, Ziyu Zhang

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

Comments Authors are listed in alphabetical order. The official website is located at https://dexbotic.com/. Code is available at https://github.com/Dexmal/dexbotic

CoVLA: Comprehensive Vision-Language-Action Dataset for Autonomous Driving

Hidehisa Arai, Keita Miwa, Kento Sasaki, Yu Yamaguchi, Kohei Watanabe, Shunsuke Aoki, Issei Yamamoto

机构 * Turing Inc.（图灵公司） 纠错

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

Comments WACV 2025, Project Page: https://turingmotors.github.io/covla-ad/

Bring the Apple, Not the Sofa: Impact of Irrelevant Context in Embodied AI Commands on VLA Models

Daria Pugacheva, Andrey Moskalenko, Denis Shepelev, Andrey Kuznetsov, Vlad Shakhuro, Elena Tutubalina

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

Interleave-VLA: Enhancing Robot Manipulation with Interleaved Image-Text Instructions

Cunxin Fan, Xiaosong Jia, Yihang Sun, Yixiao Wang, Jianglan Wei, Ziyang Gong, Xiangyu Zhao, Masayoshi Tomizuka, Xue Yang, Junchi Yan, Mingyu Ding

机构 * Shanghai Jiao Tong University（上海交通大学） ； UC Berkeley（伯克利大学） ； UNC, Chapel Hill（北卡罗来纳大学教堂山分校） 纠错

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

VLA Model Post-Training via Action-Chunked PPO and Self Behavior Cloning

Si-Cheng Wang, Tian-Yu Xiang, Xiao-Hu Zhou, Mei-Jiang Gui, Xiao-Liang Xie, Shi-Qi Liu, Shuang-Yi Wang, Ao-Qun Jin, Zeng-Guang Hou

机构 * State Key Laboratory of Multimodal Artificial Intelligence Systems（多模态人工智能系统国家重点实验室） ； 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） 纠错

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