价值即记忆:面向通用机器人策略的在线价值引导后训练
针对现实世界通用机器人策略后训练的局部可观测性与离线反馈延迟问题,论文提出了价值即记忆框架。该框架通过价值缓存将近期预测作为任务进度记忆来约束动作选择,并结合离线演示、离策干预与在策 rollout 实现样本高效的在线自主学习。实验显示,在涉及可变性物体和富接触操作的任务中,该方法使平均绝对成功率提升 29.4%,相比匹配的离线训练在线自主学习方案再提升 32.8%。
针对现实世界通用机器人策略后训练的局部可观测性与离线反馈延迟问题,论文提出了价值即记忆框架。该框架通过价值缓存将近期预测作为任务进度记忆来约束动作选择,并结合离线演示、离策干预与在策 rollout 实现样本高效的在线自主学习。实验显示,在涉及可变性物体和富接触操作的任务中,该方法使平均绝对成功率提升 29.4%,相比匹配的离线训练在线自主学习方案再提升 32.8%。
该论文提出 Mem4Act 框架,旨在解决长视界机器人操作中的记忆效率与利用问题。方法通过多粒度时序聚合组织历史、利用问答监督保留语义信息并重建关键帧特征,采用记忆优先的两阶段训练策略以增强策略对记忆的依赖。实验在 RoboMME、RMBench 及四项真实世界任务上验证,成功率为 49.88%、61.0% 和 81.5%,消融研究证实了时序聚合与监督机制的重要性。
针对人类教学难以覆盖任务全貌的问题,该方法利用机器人自身信息构建先验,通过解释性提问引导人类关注关键特征。仿真结果显示,在低查询场景下其表现比标准基准提升高达30.8%;用户研究证实该策略能显著改善奖励恢复效果并产生协同增益。论文已被 CoRL 2026 会议接收,代码与数据开放许可待定。
论文介绍 MJev-Spatial,这是一个基于 Qwen3.5-4B 构建的 System 1 多模态决策模型,旨在解决空间关系判断、距离测量和物体定位等任务。
推荐理由:该工作提出 MJev-Spatial,通过原生注意力匹配将空间理解任务转化为分类问题,在保持高精度的同时显著提升了推理速度。
针对机器人操作中同一观测对应多种可行动作的问题,本文提出 Mode-Oriented Source Shaping (MOSS) 方法,将模式选择转化为对生成起点的显式控制。
作者发布了 REKI,这是一个 2.4B 参数的视觉语言动作模型(VLA),仅使用公开数据进行预训练。该模型在 LIBERO-Plus、RoboTwin Clean2Rand 和 RoboCasa365 等基准测试中表现优异,性能接近两倍大模型的规模。
推荐理由:该 VLA 在仅用公开数据预训练下,以较小规模达到接近两倍大模型的 LIBERO-Plus 等基准表现。
论文 FastVLA 针对 VLA 模型闭环部署中的推理效率瓶颈,提出一种无需训练的、任务感知的且随时间自适应的视觉 Token 压缩框架。该方法通过任务到视觉注意力评分 Token 重要性,并利用逆辛普森指标在线校准动态调整压缩率。
该工作提出将深度循环机制植入预训练视觉语言模型(VLM)以缩减参数足迹,通过剪枝语言骨干层并引入线性适配器融合输出。采用三阶段恢复训练策略,利用预训练非循环模型的蒸馏进一步提升性能。在 TinyLLaVA-1.4B 骨架上无需新增数据即实现优于未剪枝基线的效果,存储的语言参数减少 23.3%,且在推理导向基准上表现更好。
针对穆斯林社区高利害的阿拉伯书法领域,研究对 12 个视觉语言模型(VLM)进行了六分类基准测试。在封闭集设置下,最佳数值提示准确率为 60.9%,主要失败源于默认标签坍塌现象。该工作作为 NeurIPS 2026 MusIML Workshop 海报被接收,揭示了现有模型对特定书法传统(如 Diwani)的鲁棒性不足。
针对动态环境中行人遮挡导致的目标丢失问题,本文提出 VP-EVT 框架,将目标可见性作为显式运动控制目标而非跟随副产品。该方法利用语言引导感知分离目标与行人观测,结合视觉历史与本征运动维持相对位置估计,并通过循环控制器协调视角调整以恢复稳定跟踪。
推荐理由:提出 VP-EVT 框架将可见性作为显式运动控制目标,在 occlusion 场景下显著降低丢失时长并提升成功率。
该研究提出 VeriVLA,旨在解决基于噪声的 VLA 策略在测试阶段无法评估样本质量的问题。该方法采用无需训练的触发机制,利用两个初始样本测量时间变异性和跨样本方差以检测关键状态;一旦触发,便使用 JEPA 架构的潜在世界模型预测动作条件化的未来潜在状态及任务进度变化,从而对候选动作块进行排序。
推荐理由:该方法在无需训练的情况下,利用潜在世界模型对基于流的 VLA 策略进行测试时验证,将笔插入等三项真实任务的平均完成度从 50.8% 提升至 65.5%,并在仿真环境中实现稳定增益。
针对句子级图文对齐在组合式匹配中不足的局限,论文提出 Flow-CLIP 模型。该方法通过图像条件化的 token-patch 证据变化细化全局图文对齐,引入全局兼容性校准(GCC)学习句子级相似度指标,利用图像条件化证据细化(ICER)将视觉 patch 上下文融入 token 查询以调整局部匹配证据,并采用跨图像边距排序(CIMR)增强正确描述与错误描述的区分度。
推荐理由:提出 Flow-CLIP,通过图像条件化残差评分优化组合式图文匹配与属性绑定。
论文提出了 TS-WAM,一种轻量级教师 - 学生世界 - 动作模型,旨在解决依赖动作标记演示且缺乏显式未来视觉状态预测机制的问题。该架构通过自监督时序学习和显式未来预测,利用 vlm-jepa 框架从异构数据中学习,并结合 delta-lwm 耦合潜在动作与视觉特征以指导推理时的动作生成。
论文提出一种统一的 VLA 框架,通过样本级路由将训练数据分配给动作预测、基于 LAPA 的潜在动作预测或基于 DINOv3/V-JEPA/Wan2.2 的未来视觉预测。实验显示,在 LIBERO、CALVIN 及真实机器人任务中,合理的辅助监督目标组合优于仅动作预测,且未来视觉目标通常表现更佳。
推荐理由:该研究提出统一框架,证明在固定预算下分配部分样本给潜在动作或未来视觉预测优于仅动作预测。
针对机器人操作模型训练数据稀缺的问题,该方法分析通过因果束视角下的子任务转移机制,提出因果束引导的子任务迁移(CBST)框架。该框架从人类视频中学习操作相关表征,并利用机器人演示将其锚定在任务级语义变量上,从而在不依赖人机动作对应关系的情况下,使机器人能基于自身观测生成操作策略。实验表明该方法在机器人操作基准测试中提升了任务成功率。
该论文提出 ACT3D 方法,研究视觉语言模型如何在仅接收单张图像输入的情况下,像人类一样主动探索三维空间并思考以回答问题。通过初始轨迹监督微调后,利用最终答案正确性驱动的强化学习训练,模型无需直接视点指令即可学会有效的探索策略。
论文介绍 PaRMA 审计框架与 FusionAudit 工具集,针对视觉语言模型从冻结编码器向原生架构过渡时的复杂性,定义像素扰动和渲染文本插入两类干预下的路径条件风险。
推荐理由:提出基于路径的鲁棒性审计框架,揭示原生多模态模型在像素扰动与渲染文本插入下的新脆弱点。
针对视觉语言模型(VLM)在机器人操作中推理成本高且易回避困难比较的问题,提出 SPEAR 框架将其转化为高效偏好预言机。该框架通过可区分性感知查询选择降低回避率,并利用自适应奖励过渡结合 VLM 合成引导加速探索。
推荐理由:提出 SPEAR 框架,通过可区分性查询选择与自适应奖励机制提升 VLM 在机器人操作中的效率。
MYOPIA 基准通过四个由 LLM 生成并经人工优化的决策树,在 GTSRB、MNIST、CIFAR-10 和 MSCOCO 数据集上评估了 GPT-4o、Qwen-VL Max 及 LLaMA-3.2 11B Vision 等模型。
针对单一共享策略难以整合多域技能的挑战,该方法提出双级同策略蒸馏框架,利用冻结领域专家监督学生模型。在 LIBERO-40、CALVIN 和 Meta-World MT50 基准上,Velocity Loss OPD 相比基线分别提升绝对成功率 22.55%、33.4% 及 22.6%,且长序列任务增益更显著。研究通过联合监督微调初始化并收集新经验,验证了单学生模型跨域部署的有效性。
当视觉语言模型在类别不平衡数据上微调时,复用描述性提示词会导致稀有类别召回率显著低于零样本性能。研究提出的跨提示推理策略通过改变推断时的提示词,在六个数据集的评估中一致恢复了被抑制的稀有类别知识。利用 TuCo 分解发现该效果源于降低对微调诱导计算的依赖,且仅在存在严重不平衡和视觉混淆时最强。
针对通用视觉语言动作模型缺乏个性化与可靠执行的问题,本文提出了 CarryOn 双环框架以增强冻结的 VLA 策略。规划环通过持续结合用户偏好与场景上下文实现个性化任务选择;执行环主动监督策略 rollout 并屏蔽危险接触,在失败时调用可复用的控制恢复技能。实验表明,该系统将已安全微调 VLA 的安全违规率从 52.6% 降至 6.1%,并将故障恢复成功率从 13% 提升至 80%。
推荐理由:该工作提出双环架构,在真实机器人与仿真环境中显著降低安全违规率并提升故障恢复成功率。
针对基于大模型的空中视觉语言导航(VLN)代理查询成本高且难以自主终止的问题,本文提出 X-Fly 分阶段训练框架。该方法通过 Recovery DAgger 标记学习者访问的状态并平滑连接至专家片段及首次入区状态,随后利用 Flow-GRPO 联合优化块状流控制器与伯努利停止策略。
针对视觉语言动作模型生成动作序列时如何决定执行步长的关键问题,本文提出一种策略对齐的预测验证器(PAV)。该方法不利用未来预测来生成新动作,而是在 VLA 的内部任务条件表示空间中评估候选前缀与成功延续的兼容性。
推荐理由:提出一种基于策略对齐的预测验证器,在 VLA 内部表示空间评估动作前缀兼容性以指导执行步长。
arXiv 发布 Fast-VLA 论文,提出在每集开始时调用一次冻结的 4B VLM 建立固定任务记忆,执行阶段由轻量在线演员融合视觉与本体反馈预测动作,无需重复运行基础模型。该方法在 RoboTwin 2.0 和 LIBERO 评测中分别取得最高 95.95% 的成功率,并将推理时间相比持续条件基线降低 10.9-17.1 倍。材料为预印本,未提及同行评审状态或开源代码仓库。
论文介绍 PARA 框架,通过对比更准确视觉信息与更强推理器恢复的错误比例,量化多模态基准中各模型的感知与推理剩余空间。研究发现 RL 收益随感知头部增加而减小,且当前 RL 更有效利用推理头部。为此提出 GRAD 组相对注意力蒸馏目标,直接引导弱 rollout 的视觉注意力,在两个模型规模和七个基准上提升性能并补充现有 RL 方法。
论文提出 Latent Transition Memory (LTM),将历史交互存储为连续观测间的紧凑潜在转换,实例化于π0.5模型(LTM-π)时利用冻结潜在动作编码器和轻量级适配器实现增量推理。
推荐理由:该方法在冻结动作编码器下实现增量推理,无需外部推理模型即可提升多步任务成功率与真实机器人计数能力。
该论文提出 AdaLoop 框架,解决现有视觉语言模型将视觉编码器视为静态特征提取器的局限。该方法根据问题自适应调整视觉计算深度并复用编码器的变换,同时冻结预训练权重。
推荐理由:提出 AdaLoop 框架,通过冻结预训练权重实现问题感知的视觉迭代计算,在 VisRO 数据集上超越微调与单次推理基线。
论文提出 ZoomCap 框架,将细粒度描述定义为在有限观测预算下获取缺失证据并转化为可复用监督的过程。该方法利用草稿描述路由条件知识检索、OCR 敏感阅读及自适应视觉缩放,仅对最复杂区域分配深层裁剪,并从几何关系推导空间信息。
推荐理由:提出 ZoomCap 框架与 FactCycle 评估器,以有限观测预算实现细粒度描述生成与证据路由,在持续预训练中显著优于强基线。
针对现有视觉语言动作模型直接映射观测到动作而缺乏对中间物理状态变化明确监督的问题,该研究提出 VLA-Δ 框架,利用当前与未来状态间的物理变化作为显式学习目标。
研究指出当前视觉语言动作(VLA)模型在遵循指定执行方式的 How-level 指令时任务成功率反而下降。为此提出的 SIMPLER-IN 基准证实,仅通过片段级增强指令虽能提升响应度,却无法应对高难度或分布外指令。该预印本表明如何有效实现 How-level 指令跟随仍是开放挑战。
针对主动型机器人需预判用户需求但易产生误判的问题,本文提出一种基于记忆的智能体框架。系统包含读取过程性辅助记忆(PAM)的 VLM 任务预测器和执行预测任务的 VLA 执行器。
针对双系统视觉语言动作模型(VLA)中慢模块调用缺乏统一目标与成本度量的问题,作者提出将调用形式化为校准后的决策问题,定义了价值干预(VoI)作为核心度量。研究通过 LIBERO 基准上的十四条闭环臂测试及真实部署轨迹分析,验证了自适应触发机制的阈值预测能力,并发现语言重写通道在特定条件下无法转化为成功,而撤销失败重写的执行器是唯一无净负面影响的干预手段。
推荐理由:该文提出慢模块调度的决策理论框架与价值干预度量标准,通过闭环实验验证了自适应触发机制在特定条件下的增益边界。
论文提出 KODA 方法,利用可复用的标准轨迹引导合成机器人视角观测并生成控制器特定的全身状态动作监督标签。该方法在四个宇树 G1 人形机器人的操作任务上评估显示,在固定机器人数据的情况下,对于人类演示覆盖但机器人数据缺失的条件,宏观平均成功率分别提升了 45.0 和 46.25 个百分点。
该研究通过分析 PaliGemma2-3B、LLaVA-1.5-7B 等模型在合成与真实数据集上的注意力模式,发现其在处理否定陈述时未遵循类人注视规律。层析分析显示 PaliGemma2-3B 的注意力转移仅为副产品而非核心机制,且 LLaVA-1.5-7B 存在左侧空间偏差。下游任务评估表明所有模型在肯定与否定问题间均存在性能差距,需深入理解底层处理机制以缩小该差异。
arXiv 发布了一篇关于视觉语言动作(VLA)模型的研究论文,作者通过受控扫描、自然 rollout 和线性探针等方法,建立了 VLA 模型中七个任务相关概念的几何分类体系。
推荐理由:该文通过受控实验揭示了 VLA 模型中任务相关概念的几何形态,证实了关节限制等物理约束会塑造激活空间的形状。
该论文研究如何通过恢复模型内部的低维子空间结构来理解与控制具身智能行为。作者提出块稀疏特征提取器(BSFs),成功识别出感知、语言、本体状态等任务相关特征,并通过微调干预验证了因果性。此外,利用基于特征的数据归因方法,仅需屏蔽不到 1.4% 的训练 token 即可移除特定失败恢复行为,为理解与改变机器人行为提供了有效工具。
该研究对三个前沿 VLA 模型(π0.5、MolmoAct2 和 MolmoBot)进行机制性分析,发现感知与语义表征通过特定的“动作调节接口”影响动作专家。激活打补丁实验表明,目标名词的早期层决定物体选择,中晚期层携带空间信息以重定向运动。
论文提出了 Intern-Decision 系列多模态决策模型(0.8B、2B 和 4B 参数),采用自回归掩码语言建模目标,在完整的助手 JSON 骨架中为每个字段放置决策占位符。
该研究将四个 Gemini 4 Argon 智能体置于受控的 Minecraft 生存世界,赋予其唯一目标:击败末影龙。每个智能体通过开源库 Mineflayer 控制玩家,利用游戏内聊天和共享记忆进行协作,未分配角色或编写游戏逻辑。
推荐理由:该预印本报告了四个 Gemini 4 Argon 智能体在无预设种子和人工干预下,于 Minecraft 沙盒中自主击败末影龙的实验过程与策略。