VLA / 视觉-语言-动作模型

Beyond Human Demonstrations: Diffusion-Based Reinforcement Learning to Generate Data for VLA Training

Rushuai Yang, Hangxing Wei, Ran Zhang, Zhiyuan Feng, Xiaoyu Chen, Tong Li, Chuheng Zhang, Li Zhao, Jiang Bian, Xiu Su, Yi Chen

机构 * Hong Kong University of Science and Technology（香港科技大学） ； Microsoft Research Asia（微软亚洲研究院） ； Wuhan University（武汉大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； Tsinghua University（清华大学） ； Big Data Institute, Central South University（中南大学大数据研究院） 纠错

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

RealMirror: A Comprehensive, Open-Source Vision-Language-Action Platform for Embodied AI

Cong Tai, Zhaoyu Zheng, Haixu Long, Hansheng Wu, Haodong Xiang, Zhengbin Long, Jun Xiong, Rong Shi, Shizhuang Zhang, Gang Qiu, He Wang, Ruifeng Li, Jun Huang, Bin Chang, Shuai Feng, Tao Shen

机构 * ZTE Corporation（中通服科技有限公司） ； The Chinese University of Hong Kong（香港中文大学） 纠错

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

Dual-Actor Fine-Tuning of VLA Models: A Talk-and-Tweak Human-in-the-Loop Approach

Piaopiao Jin, Qi Wang, Guokang Sun, Ziwen Cai, Pinjia He, Yangwei You

机构 * Beijing Xiaomi Robot Technology Co., Ltd.（北京小米机器人科技有限公司） ； City University of Hong Kong（香港城市大学） 纠错

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

Graph-Fused Vision-Language-Action for Policy Reasoning in Multi-Arm Robotic Manipulation

Shunlei Li, Longsen Gao, Jiuwen Cao, Yingbai Hu

机构 * Machine Learning and I-health International Cooperation Base of Zhejiang Province, Artificial Intelligence Institute, Hangzhou Dianzi University, Zhejiang（浙江省机器学习与健康国际合作基地、人工智能学院、杭州电子大学） ； Electrical and Computer Engineering Department, The University of New Mexico（新墨西哥大学电气与计算机工程系） ； School of Computation, Information and Technology, Technical University of Munich（慕尼黑技术大学计算、信息与技术学院） 纠错

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

Comments This paper is submitted to IEEE IROS 2025 Workshop AIR4S

FLOWER: Democratizing Generalist Robot Policies with Efficient Vision-Language-Action Flow Policies

Moritz Reuss, Hongyi Zhou, Marcel Rühle, Ömer Erdinç Yağmurlu, Fabian Otto, Rudolf Lioutikov

机构 * Intuitive Robots Lab（直观机器人实验室） ； Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； Microsoft Research（微软研究院） 纠错

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

Comments Published at CoRL 2025

CLIP-RT: Learning Language-Conditioned Robotic Policies from Natural Language Supervision

Gi-Cheon Kang, Junghyun Kim, Kyuhwan Shim, Jun Ki Lee, Byoung-Tak Zhang

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

Comments Accepted to RSS 2025. Project website: https://clip-rt.github.io

VLA Model-Expert Collaboration for Bi-directional Manipulation Learning

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

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

CLAM: Continuous Latent Action Models for Robot Learning from Unlabeled Demonstrations

CLAM：基于未标记演示的连续潜在动作模型用于机器人学习

Anthony Liang, Pavel Czempin, Matthew M. Hong, Yutai Zhou, Jingzhen Wang, Erdem Biyik, Stephen Tu

机构 * Department of Computer Science, University of Southern California（南加州大学计算机科学系） ； Department of Electrical and Computer Engineering, University of Southern California（南加州大学电气与计算机工程系） 纠错

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

AI总结 CLAM通过连续潜在动作标签和联合训练动作解码器，有效解决复杂连续控制任务中未标记数据的学习问题，实现在DMControl和MetaWorld等基准及真实机器人上的性能提升。

Comments Latent Action Models, Self-supervised Pretraining, Learning from Videos

Journal ref IEEE/RSJ International Conference on Intelligent Robots and Systems 2026

PhyAI: Real-Time Physical AI at the Edge, Scalable Rollouts in the Cloud

PhyAI：边缘端实时物理人工智能，云端可扩展部署

Chenghua Wang, Daliang Xu, Dongqi Cai, Duojin Sun, Hao Zhang, Haoze Qian, Huaiyuan Zhang, Jinshuo Cui, Junbo Cui, Kezhao Zhao, Longxi Gao, Mengwei Xu, Rongjie Yi, Ruixin Liu, Shangguang Wang, Tam Sikyuen, Tianyue Zhang, Weikai Xie, Xuanzhe Liu, Yingying Qin, Yiwen Lu, Yuan Yao, Yuezhi Zu, Yunhan Guo, Yuxin Zheng, Ziqi Guo

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

AI总结 该研究针对物理AI多部署场景推理程序不统一的问题，提出PhyAI推理引擎，实现多模型跨端部署，在多个基准上取得1.40-4.65倍加速，还引入控制时间屋顶线分析模型特性。

Comments 25 pages, 9 figures

DreamFly: Causal Memory and Receding-Horizon Diffusion Planning for Aerial Vision-Language Navigation

DreamFly：面向空中视觉语言导航的因果记忆与后退时域扩散规划

Yan Deng, Fei Xu

机构 * School of Electronic Information Engineering, Xi’an Technological University（西安工业大学电子信息工程学院） ； School of Computer Science and Engineering, Xi’an Technological University（西安工业大学计算机科学与工程学院） 纠错

专题命中 VLA模型 ：VLA(summary_cn,abstract)；分类 cs.CV、cs.AI

AI总结 DreamFly是基于Dream-VLA的扩散式空中VLN框架，通过因果记忆、后退时域扩散规划和LiteStop解耦终止，在OpenFly基准上显著优于对比方法。

Comments 24 pages, 6 figures, 3 tables

World Tokens: Enhancing Embodied Policies with Training-Time World Modeling

世界令牌：通过训练时世界建模增强具身策略

Qu Tang, Benhui Zhuang, Bo Yuan, Xue Yu, Longteng Guo, Junlan Feng

机构 * JIUTIAN Research（九天研究院） ； Zhongguancun Academy（中关村学院） 纠错

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

AI总结 本文提出World Tokens架构，通过训练时的World Adapter衔接视觉-语言理解、世界动态建模与动作生成，在保持高效部署的同时提升具身策略性能，在多个基准测试中取得优异结果。

Embodied Multimodal Grounding for Open-Vocabulary Mobile Manipulation via Semantic 3D Gaussian Splatting

基于语义三维高斯溅射的开放词汇移动操作具身多模态定位

Huosen Ou, Dongni Song, Yuncong Wang, Tao Zhou, Yiding Ji

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Midea Group（美的集团） ； The Hong Kong University of Science and Technology（香港科技大学） 纠错

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

AI总结 本文针对家庭场景开放词汇移动操作的目标定位问题，提出整合Semantic-3DGS的具身多模态框架，经50次真实机器人试验，在长 horizon、杂乱场景等任务中优于PointVLA等基线方法，提升了操作鲁棒性。

Comments 9 pages, 11 figures. Accepted to ACM Multimedia 2026 (MM '26)

Pipette: An Embodied Simulation Platform, Benchmark, and Data-Efficient Augmentation Framework for Wet-Lab Robotics

面向湿实验室机器人的具身仿真平台、基准测试及数据高效增强框架

Zhe Liu, Huanbo Jin, Zhaohui Du, Zhe Wang, Dongzhan Zhou, Minting Pan, He Xu, Peijia Li, Jiaming Gu, Quan Lu, Qi Wang, Bin Ji, Ting Xiao

机构 * Key Laboratory of Smart Manufacturing in Energy Chemical Process Ministry of Education（能源化工过程智能制造国家重点实验室） ； Department of Computer Science and Engineering（计算机科学与工程系） ； Department of Laboratory Medicine（实验室医学系） ； Shanghai Jiao Tong University School of Medicine（上海交通大学医学院） 纠错

专题命中 VLA模型 ：VLA(summary_cn,abstract)；分类 cs.RO、cs.AI

AI总结 提出Pipette平台，包含可编辑资产、仿真数据增强管道和11任务基准测试，将30次演示的VLA成功率从44.1%提升至74.7%。

Comments 19 pages, 19figures

Towards Predictive, Aligned, and Scalable Robot Learning

迈向可预测、对齐且可扩展的机器人学习

Peijun Tang, Shangjin Xie, Baifu Huang, Binyan Sun, Haotian Yang, Kuncheng Luo, Weiqi Jin, Shilin Fang, Jianan Wang

机构 * Astribot Team（Astribot团队） 纠错

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

AI总结 研究旨在实现可预测、对齐且可扩展的机器人学习。核心方法是引入Lumo - 2潜在世界 - 动作模型，提出多阶段模态预对齐策略。主要贡献是该模型在实证研究中表现出色，优于基线，验证了结构化多模态对齐和预测推理对具身智能的重要性。

ManipArena: Comprehensive Real-world Evaluation of Reasoning-Oriented Generalist Robot Manipulation

ManipArena: 通用机器人操作的综合现实世界评估

Yu Sun, Meng Cao, Yang Ping, Kaidong Zhang, Qingxuan Chen, Rongtao Xu, Liangwang Ruan, Xuecheng Chen, Dongxiu Liu, Yunxiao Yan, Zunnan Xu, Runze Xu, Charles Yang, Peilun Zhang, Xiaofan Li, Ruyi Gan, Liang Ma, Yuehao Yin, Jincheng Yu, Lufang Chen, Yuxin Liang, Peng Zhai, Hao Wang, Ivan Laptev, Ian Reid, Qian Wang, Xiaodan Liang

机构 * SYSU（中山大学） ； X SQUARE ROBOT ； MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； Thsinghua University（清华大学） 纠错

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

AI总结 ManipArena通过标准化框架解决现有评估不足问题，提供真实场景下的多任务测试与多级泛化能力，支持长时移动操作与传感诊断，促进视觉-语言-动作模型和世界模型的发展。

Comments Technical report for CVPR 2026 Challenge ManipArena

Reward-Centered ReST-MCTS: A Robust Decision-Making Framework for Robotic Manipulation in High Uncertainty Environments

以奖励为中心的ReST-MCTS：高不确定性环境下机器人操作的鲁棒决策框架

Xibai Wang

机构 * Xibai Wang（王西拜） 纠错

专题命中 VLA模型 ：VLA(summary_cn,abstract)；分类 cs.RO、cs.AI

AI总结 提出Reward-Centered ReST-MCTS框架，通过分解中间反馈为中心信号并引导搜索，解决高不确定性环境下MCTS因稀疏奖励和噪声导致的决策脆弱性问题，实验验证其在同骨干VLA上的鲁棒性。

Attacking the Trusted Imagination: Oracle-Level Integrity Attacks on Imagine-then-Act World Models

攻击可信想象：对“先想象后行动”世界模型的预言机级完整性攻击

Linghan Chen, Kaiyan Ji, Minyu Guo

机构 * Adelaide University（阿德莱德大学） 纠错

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

AI总结 针对“先想象后行动”的视觉-语言-动作策略，发现世界模型中的想象轨迹是暴露的攻击面，通过有界观测扰动破坏想象，并设计无参数去噪检测器，实验显示非定向破坏效果显著，但定向控制受限。

Comments 13 pages, 5 figures, 10 tables

Inductive Generalization for Robotic Manipulation

机器人操作的归纳泛化

Annabella Macaluso, Haochen Zhang, Ishaan Masilamony, Yingshan Chang, 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)；vision-language-action(abstract)；action model(abstract)；分类 cs.RO、cs.LG

AI总结 提出归纳泛化概念，通过轴基评估测试策略在分布外任务变体上的泛化能力，发现现有范式（如VLA模型）失败，揭示了与数据规模正交的学习挑战。

ReFineVLA: Multimodal Reasoning-Aware Generalist Robotic Policies via Teacher-Guided Fine-Tuning

ReFineVLA: 通过教师引导微调实现多模态推理感知的通用机器人策略

Tuan Van Vo, Tan Q. Nguyen, Khang Nguyen, Nhat Xuan Tran, Duy H. M. Nguyen, An T. Le, Ngo Anh Vien, Minh Nhat Vu

机构 * VinRobotics ； University of Texas at Arlington（德克萨斯大学阿灵顿分校） ； Max Planck Research School for Intelligent Systems (IMPRS-IS)（智能系统Max Planck研究学校） ； Intelligent Autonomous Systems Lab（智能自主系统实验室） ； TU Darmstadt（德累斯顿技术大学） ； Automation & Control Institute（自动化与控制研究所） ； TU Wien（维也纳技术大学） ； Austrian Institute of Technology (AIT)（奥地利技术研究所） 纠错

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

AI总结 本文提出ReFineVLA框架，通过教师引导的推理增强数据集微调机器人策略，提升多模态推理能力与泛化性能，在模拟任务中取得最佳表现。

Comments arXiv admin note: substantial text overlap with arXiv:2505.19080

MaskWAM: Unifying Mask Prompting and Prediction for World-Action Models

MaskWAM：统一掩码提示与预测的世界-动作模型

Hanyang Yu, Haitao Lin, Jingbo Zhang, Wenyao Zhang, Chenghao Gu, Heng Li, Ping Tan

机构 * The Hong Kong University of Science and Technology（香港科技大学） ； Tencent Robotics X（腾讯机器人X实验室） ； Tsinghua University（清华大学） 纠错

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

AI总结 提出MaskWAM，通过统一掩码输入与预测的混合Transformer架构，解决世界-动作模型的空间瓶颈，提升策略泛化能力，在LIBERO等任务上显著优于基线。

Making Foresight Actionable: Repurposing Representation Alignment in World Action Models

使远见可操作：在世界动作模型中重新利用表示对齐

Lu Qiu, Yizhuo Li, Yi Chen, Yuying Ge, Yixiao Ge, Xihui Liu

机构 * The University of Hong Kong（香港大学） ； XPENG Robotics（小鹏机器人） 纠错

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

AI总结 针对世界动作模型中视觉预测与动作提取不匹配的问题，提出AGRA方法，通过对齐视频扩散特征与语义表示，提升动作解码器对任务相关区域的关注，从而改善操作任务的性能与泛化能力。

AHA-WAM:Asynchronous Horizon-Adaptive World-Action Modeling with Observation-Guided Context Routing

AHA-WAM：异步自适应时域世界-动作建模与观测引导的上下文路由

Jisong Cai, Long Ling, Shiwei Chu, Zhongshan Liu, Jiayue Kang, Zhixuan Liang, Wenjie Xu, Yinan Mao, Weinan Zhang, Xiaokang Yang, Ru Ying, Ran Zheng, Yao Mu

机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Baidu AI Cloud（百度智能云） ； The University of Hong Kong（香港大学） 纠错

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

AI总结 提出AHA-WAM，一种基于双扩散Transformer的异步时域自适应世界-动作模型，通过低频世界规划器和高频动作执行器解耦时序，实现高效闭环控制，在RoboTwin和真实任务上达到SOTA性能。

Comments Project page: https://serene-sivy.github.io/aha-wam/

Flash-WAM: Modality-Aware Distillation for World Action Models

Flash-WAM：面向世界动作模型的模态感知蒸馏

Arman Akbari, Ci Zhang, Arash Akbari, Lin Zhao, Yixiao Chen, Weiwei Chen, Xuan Zhang, Geng Yuan, Yanzhi Wang

机构 * Northeastern University（东北大学） ； University of Georgia（佐治亚大学） ； EmbodyX Inc.（EmbodyX公司） 纠错

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

AI总结 针对世界动作模型联合生成视频和机器人动作时因多模态噪声分布不对称导致蒸馏失效的问题，提出模态感知步蒸馏框架Flash-WAM，通过为不同模态选择匹配噪声机制的参数化方法，实现单步推理并大幅加速。

The VLA Frontier Fields Survey: A 6GHz High-resolution Radio Survey of Abell2744

VLAFrontierFields调查：阿贝尔2744的6GHz高分辨率射电调查

Esteban A. Orozco, Eric F. Jiménez-Andrade, Eric J. Murphy, Ian Smail, Emmanuel Momjian, Ian Heywood, Miguel Vega-Gutierrez, Christa DeCoursey

专题命中 VLA模型 ：VLA(title,abstract)

AI总结 该研究利用VLAFrontierFields计划对阿贝尔2744进行6GHz射电连续观测，揭示了高红移星系在前景大质量星系团放大效应下的射电发射特性，并发现射电源的星形成率显著高于紫外至近红外数据。

Comments 25 pages, 13 figures, 7 tables. Accepted for publication in ApJ; in press

CrowdVLA: Embodied Vision-Language-Action Agents for Context-Aware Crowd Simulation

CrowdVLA: 一种用于情境感知人群模拟的具身视觉-语言-动作代理

Juyeong Hwang, Seong-Eun Hong, Jinhyun Kim, JaeYoung Seon, Giljoo Nam, Hanyoung Jang, HyeongYeop Kang

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

AI总结 CrowdVLA通过引入视觉-语言-动作代理，解决了人群模拟中监督不足、控制不稳定和数据偏差等问题，推动模拟从运动导向转向感知驱动的决策制定。

SaiVLA-0: Cerebrum--Pons--Cerebellum Tripartite Architecture for Compute-Aware Vision-Language-Action

SaiVLA-0：基于大脑-脑桥-小脑三元架构的计算感知视觉-语言-动作

Xiang Shi, Wenlong Huang, Menglin Zou, Xinhai Sun

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

AI总结 SaiVLA-0提出基于大脑-脑桥-小脑三元架构的计算感知视觉-语言-动作系统，通过模块化设计提升效率与稳定性，初步实验显示训练时间减少且成功率显著提升。

Comments 14 pages, 3 figures

Continuous Vision-Language-Action Co-Learning with Semantic-Physical Alignment for Behavioral Cloning

具有语义-物理对齐的连续视觉-语言-动作共学用于行为克隆

Xiuxiu Qi, Yu Yang, Jiannong Cao, Luyao Bai, Chongshan Fan, Chengtai Cao, Hongpeng Wang

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

AI总结 本文提出CCoL框架，通过连续共学视觉、语言和动作，解决行为克隆中的语义-物理不一致问题，提升动作执行的准确性和鲁棒性。

Comments Accepted at AAAI 2026, the Project website is available at https://qhemu.github.io/CCoL/

InternVLA-M1: A Spatially Guided Vision-Language-Action Framework for Generalist Robot Policy

Xinyi Chen, Yilun Chen, Yanwei Fu, Ning Gao, Jiaya Jia, Weiyang Jin, Hao Li, Yao Mu, Jiangmiao Pang, Yu Qiao, Yang Tian, Bin Wang, Bolun Wang, Fangjing Wang, Hanqing Wang, Tai Wang, Ziqin Wang, Xueyuan Wei, Chao Wu, Shuai Yang, Jinhui Ye, Junqiu Yu, Jia Zeng, Jingjing Zhang, Jinyu Zhang, Shi Zhang, Feng Zheng, Bowen Zhou, Yangkun Zhu

机构 * Intern Robotics Shanghai AI Laboratory（Intern Robotics上海AI实验室） 纠错

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

Comments Technical report

Vintix: Action Model via In-Context Reinforcement Learning

Andrey Polubarov, Nikita Lyubaykin, Alexander Derevyagin, Ilya Zisman, Denis Tarasov, Alexander Nikulin, Vladislav Kurenkov

机构 * Innopolis University（因诺波利斯大学） ； Research Center for Trusted Artificial Intelligence, ISP RAS（可信人工智能研究所以及ISP俄罗斯科学院） 纠错

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

Comments ICML 2025, Poster

CorrectNav: Self-Correction Flywheel Empowers Vision-Language-Action Navigation Model

Zhuoyuan Yu, Yuxing Long, Zihan Yang, Chengyan Zeng, Hongwei Fan, Jiyao Zhang, Hao Dong

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