VLA / 视觉-语言-动作模型

Domain Arithmetic: One-Shot VLA Adaptation under Environmental Shifts

域算术：环境变化下的单次VLA适应

Taewook Kang, Taeheon Kim, Donghyun Shin, Jonghyun Choi

机构 * Seoul National University（首尔国立大学） 纠错

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

AI总结 提出域算术（DART）方法，通过权重向量算术和子空间对齐，仅需单次演示即可适应环境变化，在视觉和实体变化场景下优于现有方法。

Comments ECCV 2026. Project page: https://twkang43.github.io/projects/dart

ReCoVLA: VLM-Guided Reward Compilation for Failure Recovery in Vision-Language-Action Policies

ReCoVLA: VLM引导的奖励编译用于视觉-语言-动作策略的故障恢复

Haodi Hu, Chung-Ta Huang, Jing Liu, Ye Wang, Kei Suzuki, Matthew Brand, Toshiaki Koike-Akino

机构 * University of Southern California（南加州大学） ； Mitsubishi Electric Research Laboratories (MERL)（三菱电机研究实验室） ； Harvard University（哈佛大学） 纠错

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

AI总结 提出ReCoVLA框架，通过冻结预训练VLA策略，利用外部VLM推断故障模式并编译结构化奖励，训练残差恢复策略，实现零样本仿真到真实部署，在多种操作任务中提升成功率。

Comments 19 pages, 7 figures

Grounded Semantic Re-Binding for Robust Instruction Generalization in Vision-Language-Action Models

面向视觉-语言-动作模型的鲁棒指令泛化的基础语义重绑定

Zhaokai Yin, Zhipeng Zhang

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

AI总结 针对视觉-语言-动作模型因指令释义导致性能骤降的架构问题，提出GSR方法，在LIBERO-Para基准提升成功率44.6%，推出ParaVLA模型，规避低效数据扩展，实现鲁棒指令泛化。

Comments 23 pages, 8 figures

Explicit Kinematic Guidance from Analytic Concepts for Vision-Language-Action Models

面向视觉-语言-动作模型的来自解析概念的显式运动学引导

Mingyang Sun, Jiude Wei, Xiujian Liang, Qichen He, Donglin Wang, Cewu Lu, Jianhua Sun

机构 * Zhejiang University（浙江大学） ； Shanghai Innovation Institute（上海创新研究院） ； Fudan University（复旦大学） ； Westlake University（西湖大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

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

AI总结 该研究针对视觉-语言-动作模型忽略3D物体结构信息的缺陷，构建概念专家模块生成解析概念，通过双阶段机制提供显式引导，提升了模型的操作成功率与学习效率。

UniTacVLA: Unified Tactile Understanding and Prediction in Vision Language Action Models

UniTacVLA：视觉语言动作模型中的统一触觉理解与预测

Xidong Zhang, Yichi Zhang, Jiaxin Shi, Fucai Zhu, Siyu Zhu, Michael Yu Wang, Xiaojun Wu, Weihao Yuan

机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Great Bay University（大湾区大学） ； Shanghai Jiao Tong University（上海交通大学） ； Fudan University（复旦大学） ； Nanjing University（南京大学） ； Daimon Robotics 纠错

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

AI总结 提出统一触觉学习框架，通过触觉链式推理和由粗到细的未来触觉预测构建状态与动力学感知先验，并设计触觉-动作混合控制器，在接触丰富操作任务中提升成功率、精度和鲁棒性。

Reasoning-aware Speculative Decoding for Efficient Vision-Language-Action Models in Autonomous Driving

面向自动驾驶中高效视觉-语言-动作模型的推理感知推测解码

Anh Dung Dinh, Simon Khan, Flora Salim

机构 * Air Force Research Laboratory（空军研究实验室） 纠错

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

AI总结 提出推理感知推测解码框架，通过例程推理器处理常规推理、审慎推理器处理异常情况，结合FlatRoPE和AARL技术，将推理步骤运行时间降低约4倍。

Comments 10 pages

PolicyTrim: Boosting Intrinsic Policy Efficiency of Vision-Language-Action Models

PolicyTrim: 提升视觉-语言-动作模型的内在策略效率

Xianghui Wang, Feng Chen, Wenbo Zhang, Hua Yan, Zixuan Wang, Changsheng Li, Yinjie Lei

机构 * Sichuan University（四川大学） ； Adelaide University（阿德莱德大学） ； Beijing Institute of Technology（北京理工大学） 纠错

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

AI总结 提出PolicyTrim框架，通过强化学习后训练扩展动作块可靠长度并减少冗余物理步骤，实现高达5.83倍的端到端部署加速且不降低任务成功率。

Comments Accepted by ECCV 2026. Project page: https://inceptionwang.github.io/PolicyTrim/

Action ControlNet: A Lightweight Delay-Aware Adapter for Smooth Asynchronous Control in Vision-Language-Action Models

Action ControlNet: 一种轻量级延迟感知适配器，用于视觉-语言-动作模型中的平滑异步控制

Tiecheng Guo, Meng Guo

机构 * School of Advanced Manufacturing and Robotics, Peking University（北京大学先进制造与机器人学院） 纠错

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

AI总结 提出Action ControlNet，一种轻量级延迟感知适配器，通过将已执行的动作后缀作为残差条件，在不重新训练骨干网络的情况下，减少异步执行中的动作不连续和抖动，提升机器人操控的鲁棒性和平滑性。

MANGO: Automated Multi-Agent Test Oracle Generation for Vision-Language-Action Models

MANGO: 面向视觉-语言-动作模型的自动化多智能体测试预言生成

Pablo Valle, Shaukat Ali, Aitor Arrieta, Lionel Briand

机构 * Mondragon University（蒙得龙大学） ； Simula Research Laboratory（Simula研究实验室） ； University of Ottawa（渥太华大学） ； Research Ireland Lero Centre for Software（爱尔兰Lero软件研究中心） 纠错

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

AI总结 提出MANGO多智能体框架，从自然语言任务描述自动生成细粒度测试预言，通过协作智能体迭代精炼，在机器人基准测试中有效检测故障并定位。

Semi-Supervised Vision-Language-Action Model

半监督视觉-语言-动作模型

Hongyang He, Jiuming Liu, Victor Sanchez

机构 * University of Warwick（华威大学） ； University of Cambridge（剑桥大学） 纠错

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

AI总结 提出SemiVLA框架，通过自蒸馏教师-学生网络利用伪动作标签适应新环境，在10%标注轨迹下提升LIBERO任务成功率8.0%。

Perturbation-Based Uncertainty for Failure Detection in Vision-Language-Action Models

基于扰动的视觉-语言-动作模型不确定性用于故障检测

Yousung Lee, Dongsoo Har

机构 * Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院） 纠错

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

AI总结 提出一种无标签、模型无关的扰动框架，通过注入高斯扰动到隐藏激活中估计认知不确定性，在分布偏移下提升故障检测性能。

BLUE: Toward Better Language Use in Efficient Vision-Language-Action Models for Autonomous Driving

BLUE：迈向自动驾驶高效视觉-语言-动作模型中更好的语言使用

George Ling, Lijin Yang, Hao Yang, Zhongzhan Huang

机构 * Bosch Research（博世研究院） 纠错

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

AI总结 提出BLUE方法，通过轻量门控机制在视觉-语言-动作模型中按帧决定是否激活语言生成，实现性能提升和2.54倍推理加速。

Comments preprint

MotionVLA: Injecting Geometric Motion into Vision-Language-Action Model

MotionVLA: 将几何运动注入视觉-语言-动作模型

Shanglin Yuan, Weiheng Zhao, Xianda Guo, Wei Sui, Li Yu, Wenyu Liu, Xinggang Wang

机构 * Huazhong University of Science and Technology（华中科技大学） ； D-Robotics（大疆机器人） ； Wuhan University（武汉大学） 纠错

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

AI总结 提出MotionVLA，通过运动历史接口将过去视频窗口转换为紧凑的连续轨迹场令牌，解决长程操作中的几何漂移和时间线索碎片化问题，提升动作平滑性和执行效率。

Comments 17 pages, 8 figures

Coarse-to-Control: Action-Token Planning for Vision-Language-Action Models

粗到细控制：面向视觉-语言-动作模型的行动令牌规划

Jinhao Wu, Shiduo Zhang, Yicheng Liu, Xiaopeng Yu, Sixian Li, Siyin Wang, Hang Zhao, Jing Huo, Yang Gao, Jingjing Gong, Xipeng Qiu, Yu-Gang Jiang

机构 * Nanjing University（南京大学） ； Shanghai Innovation Institute（上海创新研究院） ； Fudan University（复旦大学） ； Tsinghua University（清华大学） 纠错

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

AI总结 提出Coarse-to-Control框架，在动作令牌空间中引入原生规划，通过先预测粗粒度动作令牌序列再生成可执行动作，提升长程任务性能。

InSight: Self-Guided Skill Acquisition via Steerable VLAs

InSight: 通过可引导的VLA实现自主技能获取

Maggie Wang, Lars Osterberg, Stephen Tian, Ola Shorinwa, Jiajun Wu, Mac Schwager

机构 * Stanford University（斯坦福大学） ； Princeton University（普林斯顿大学） 纠错

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

AI总结 提出InSight框架，通过将VLA模型在基本动作层面变得可引导，实现自主技能获取，包括自动分割演示为基本动作和VLM引导的数据飞轮，无需人类演示即可学习新技能。

Comments Project website: https://insight-vla.github.io

Prism-GRPO: Faster VLA Policy Optimization via Splitting Same-outcome Groups

Prism-GRPO：通过拆分相同结果组实现更快的视觉-语言-动作（VLA）策略优化

Zeyun Deng, Yuzhe Lu, Yawei Wang, Linbo Liu, Qing Ping, Han Ding, Guande Wu, Panpan Xu, Jun Huan

机构 * AWS AI（亚马逊云科技人工智能部门） 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 该研究提出 Prism-GRPO 算法，通过拆分 GRPO 的相同结果组并引入加权执行质量分数，减少机器人 rollout 预算浪费，在四个 RoboTwin 任务中使达到目标成功率的 rollout 最多减少 56%，还抑制了奖励黑客捷径。

PhaseLoRA: Control-Regime-Conditioned Low-Rank Adaptation for Continuous-Action Vision-Language-Action Policies

PhaseLoRA：面向连续动作视觉-语言-动作策略的控制条件式低秩适配

Yufei Guo, Yinan Wu, Haoran Duan, Guiguang Ding, Jungong Han

机构 * Tsinghua University（清华大学） 纠错

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

AI总结 PhaseLoRA是面向连续动作VLA策略的轻量级PEFT方法，通过控制条件式LoRA实现阶段依赖适配，在LIBERO数据集上较匹配参数的高秩LoRA基线提升平均成功率12.2个百分点，性能优于其他LoRA变体。

LIRA: Local Cross-Layer Information Routing for Vision-Language-Action Decoding

LIRA：面向视觉-语言-动作解码的局部跨层信息路由

Zhewei Zhang, Puyue Wang, Guanren Qiao, Yijie Weng, Jiawei Hu, Guo Li, Lujia Wang, Junyan Wang, Tao Gu, Hongliang Lu, Guiliang Liu, Hong Jia, Xinhu Zheng

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

AI总结 LIRA是面向VLA模型的局部跨层信息路由机制，通过深度感知路由VLM特征，在多机器人操作基准及真实场景中提升了动作预测性能与分布偏移下的鲁棒性。

Comments 9 pages, 4 figures. Code and model checkpoints will be released upon acceptance of the paper

ValueFormer: A Causal Transformer Value Function with Stage-Aware Labels for Semi-Autonomous Vision-Language-Action Policies

ValueFormer：面向半自主视觉-语言-动作策略的、具有阶段感知标签的因果变换价值函数

Inkyu Sa, Konstantin Stulov, Rajat Bhageria

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

AI总结 本文提出 ValueFormer，一种带阶段感知标签的因果变换价值函数，用于半自主 VLA 策略，在真实机器人双手机器人三明治组装任务上提升了任务完成率并降低了服务成本。

Comments 22 pages, 17 figures, 8 tables

VLAGuard: A Framework for Evaluating and Mitigating Physical Attention Hijacking in Vision-Language-Action Robots within Wireless Sensor Networks

VLAGuard：无线传感器网络中视觉-语言-动作机器人的物理注意力劫持评估与缓解框架

Dongfu Yin, Jinquan Zhang

机构 * Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)（广东省人工智能与数字经济实验室（深圳）） ； Shenzhen University（深圳大学） 纠错

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

AI总结 VLAGuard框架通过提出VASA攻击和APFT防御，有效降低了无线传感器网络中VLA机器人的物理注意力劫持风险，提升了其在模拟与真实环境中的鲁棒性。

Comments 32 pages, 8 figures, 5 tables. Accepted for publication in Ad Hoc & Sensor Wireless Networks (AHSWN)

RedFlow: Redirect Failure into Action-Level Corrections for Flow-matching VLA Policy

RedFlow：将失败重定向为流匹配VLA策略的动作级修正

Zhengyang Yan, Junhao Li, Fangqi Zhu, Zijun Wang, Quanxin Shou, Yikun Miao, Xiaoyi Pang, Zicong Hong, Song Guo

机构 * The Hong Kong University of Science and Technology（香港科技大学） 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 RedFlow是将失败转化为动作级修正监督的离线RL框架，在LIBERO基准及真实操纵任务上，其真实成功率达74.7%，优于现有离线RL基线，样本量仅为强在线方法的十分之一。

Generalizable VLA Finetuning via Representation Anchoring and Language-Action Alignment

通过表示锚定和语言-动作对齐实现可泛化的视觉语言动作微调

Dwip Dalal, Shivansh Patel, Chahit Jain, Jeonghwan Kim, Utkarsh Mishra, Alex Baratian, Hyeonjeong Ha, Heng Ji, Svetlana Lazebnik, Unnat Jain

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Texas A&M University（德州农工大学） ； University of California, Irvine（加州大学欧文分校） 纠错

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

AI总结 研究针对VLA策略微调中存在的问题提出Anchor-Align方法，通过视觉语言锚定和语言-动作对齐两个目标增强BC，在物理机器人和模拟测试中均有效果提升，表明保留预训练表示与有效动作学习可兼顾。

Comments Code: https://github.com/dwipddalal/Anchor-Align

DynaWM: A Base-VLA-Guided World Foundation Model for Moving-Object Manipulation

DynaWM：用于移动物体操纵的基于基础VLA的世界基础模型

Chongkei Chang, Zhidong Deng

机构 * Department of Computer Science and Technology, THUAI, Tsinghua University, Beijing 100084, China（计算机科学与技术系，THUAI，清华大学，北京100084，中国） 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 针对移动物体操纵挑战，提出DynaWM模型，用多种编码器提取特征，联合条件流匹配DiT生成动作轨迹，构建数据集评估，相比其他模型有性能提升，消融实验验证各部分作用。

Comments 17 pages, 3 figures

ABot-M0.5: Unified Mobility-and-Manipulation World Action Model

ABot-M0.5：统一移动与操作的世界动作模型

Ronghan Chen, Yandan Yang, Zuojin Tang, Dongjie Huo, Tong Lin, Haoning Wu, Haoyun Liu, Yuzhi Chen, Lulu Zheng, Botai Yuan, Tianlun Li, Mingxin Wang, Dekang Qi, Bin Hu, Wei Mei, Yuze Xuan, Haolong Yang, Yanqing Zhu, Mu Xu, Zhiheng Ma, Xinyuan Chang

机构 * AMAP CV Lab（AMAP CV实验室） 纠错

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

AI总结 针对移动操作任务中VLA策略缺乏世界建模、动作空间耦合及训练-推理不一致的问题，提出ABot-M0.5模型，通过三级对齐（时间粒度、动作空间、训练-测试一致性）实现细粒度控制，在长时域任务成功率和控制精度上达到最优。

Comments Code: https://github.com/amap-cvlab/ABot-Manipulation

Motion-Focused Latent Action Enables Cross-Embodiment VLA Training from Human EgoVideos

运动聚焦的潜在动作使跨实体VLA训练能从人类自我中心视频中学习

Runze Xu, Yiluo Zhang, Jian Wang, Yu Wang, Jincheng Yu

机构 * Department of Electronic Engineering, Tsinghua University（清华大学电子工程系） ； Tianfu Jiangxi Laboratory（天府江西实验室） 纠错

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

AI总结 提出基于潜在动作的框架，利用混合解耦VQ-VAE从无标签人类视频中提取通用动作先验，通过意图-感知解耦策略减少动作幻觉，仅需50条轨迹即可适配下游任务。

Comments Accepted by IROS 2026

FOCA: Future-Oriented Conditioning for Data-Efficient Vision-Language-Action Adaptation

FOCA: 面向未来的条件化用于数据高效的视觉-语言-动作适应

Duc Minh Nguyen, Nghiem Tuong Diep, Binh Gia Nguyen, Trong-Bao Ho, Doanh Le, Tan Q. Nguyen, Thien-Loc Ha, Nhiem Tran, Bao Thach, Nhat X. Tran, Tuan A. Tran, Artur Habuda, Philip Lund Møller, Tran Nguyen Le, Daniel Sonntag, Matthias Niepert, Khoa D. Doan, Vu Duong, Hung Ngo, Minh N. Vu, Duy M. H. Nguyen, An Thai Le, Ngo Anh Vien

机构 * Center for AI Research, VinUniversity, Vietnam ； University of Utah, USA ； German Research Center for Artificial Intelligence (DFKI) ； Technical University of Denmark, Denmark ； University of Oldenburg, Germany ； University of Stuttgart, Germany ； Max Planck Research School for Intelligent Systems (IMPRS-IS), Germany 纠错

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

AI总结 提出FOCA框架，结合未来交互嵌入预测与目标观测隐式对齐，实现数据高效的VLA少样本适应，在LIBERO、RoboCasa和真实机器人上取得新最优结果。

Comments Accepted at ICML 2026. Project page: https://focavla.github.io/

CHORUS: Decentralized Multi-Embodiment Collaboration with One VLA Policy

CHORUS: 基于单一VLA策略的去中心化多体协作

Ria Doshi, Tian Gao, Annie Chen, Chelsea Finn, Jeannette Bohg

机构 * Stanford University（斯坦福大学） 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CHORUS框架，利用预训练视觉-语言-动作模型的视觉运动先验，实现无需推理时通信的去中心化多机器人协作，在真实实验中显著优于基线。

Comments Project Website: https://chorus-model.github.io

Inference-Time Attention Steering for Vision-Language-Action Driving Models

面向视觉-语言-动作驾驶模型的推理时注意力引导

Darshan Nagendra Prasad, Lars Ullrich, Knut Graichen

机构 * FAU Erlangen-Nürnberg（埃尔朗根-纽伦堡大学） 纠错

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

AI总结 该研究针对VLA驾驶模型无法在推理时重定向注意力的问题，在Qwen3-VL主干上添加预softmax注意力偏差，实验验证了其对轨迹的引导效果及层相关特性。

Comments Attention Steering, Vision-Language-Action, AutonomousDriving, Inference-Time Intervention

Journal ref European Conference on Computer Vision 2026

Fine-Tuning VLAs with Self-Demonstrated Generative Control for Multi-Task Manipulation

通过自演示生成控制对视觉-语言动作（VLA）模型进行微调以实现多任务操作

Prachi Garg, Steve Xing, Prahit Yaugand, Saurabh Gupta, Derek Hoiem

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

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

AI总结 本文针对VLA模型部署到新机器人时因硬件不匹配导致性能下降的问题，提出自监督方法生成在线交互rollout数据微调VLA模型，使模型在目标机器人上同时具备先验任务能力、指令遵循能力与高效学习新技能的能力。

Comments Project Page: https://self-supervised-control.pages.dev/

EXIMO: VLM Guided Exploration of VLA Policies

EXIMO：基于视觉语言模型引导的视觉语言动作策略探索

Bhavya Sukhija, Oliver Groth, Mohit Shridhar, Tim Hertweck, Michael Bloesch, Markus Wulfmeier, Abbas Abdolmaleki, Martin Riedmiller

机构 * Google DeepMind（谷歌DeepMind） 纠错

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

AI总结 本研究提出EXIMO算法，通过VLM引导的探索、模仿、优化三阶段微调VLA策略，解决了VLA策略微调样本效率低的问题，性能显著优于现有方法。