原文作者：公眾號(hào)“計(jì)算機(jī)頂會(huì)大全”

原文鏈接：https://mp.weixin.qq.com/s/SbiHonAq0qYEP-sC-sB-bA

近期頂會(huì)工作來(lái)看，VLA正在進(jìn)入新階段：不只是能做任務(wù)，而是要能穩(wěn)定、低成本、跨場(chǎng)景地落地到真實(shí)機(jī)器人系統(tǒng)中。

這類研究共同釋放了一個(gè)信號(hào)：具身智能的競(jìng)爭(zhēng)點(diǎn)正在從大模型能力展示轉(zhuǎn)向?qū)嵱没芰︱?yàn)證。一方面，研究開(kāi)始關(guān)注多機(jī)器人本體、導(dǎo)航與操作統(tǒng)一、仿真到真實(shí)遷移等真實(shí)部署問(wèn)題；另一方面，評(píng)測(cè)標(biāo)準(zhǔn)也不再只看平均成功率，而是更重視空間擾動(dòng)、物體變化、語(yǔ)言歧義和任務(wù)復(fù)雜度下的魯棒性退化。同時(shí)，力覺(jué)、觸覺(jué)等非視覺(jué)模態(tài)也開(kāi)始被納入VLA框架，用來(lái)解決接觸豐富操作中的精細(xì)控制難題。本文整理了20篇 VLA實(shí)用化相關(guān)前沿論文。

論文介紹：

ICRA 2026| Rethinking the Practicality of Vision-language-action Model: A Comprehensive Benchmark and An Improved Baseline

現(xiàn)有VLA真的適合真實(shí)機(jī)器人部署嗎？論文指出，當(dāng)前很多VLA模型依賴大參數(shù)規(guī)模、大規(guī)模預(yù)訓(xùn)練和固定機(jī)械臂場(chǎng)景，存在訓(xùn)練成本高、跨本體適配弱、真實(shí)部署困難等問(wèn)題。為此，作者提出面向?qū)嵱没u(píng)測(cè)的CEBench基準(zhǔn)，覆蓋單臂操作、雙臂操作和真實(shí)世界雙臂移動(dòng)操作，并引入背景變化、物體干擾、桌面高度變化等領(lǐng)域隨機(jī)化設(shè)置，專門(mén)測(cè)試VLA在真實(shí)擾動(dòng)下的穩(wěn)定性。

方法上，論文提出輕量化基線LLaVA-VLA，基于小型視覺(jué)語(yǔ)言模型構(gòu)建，通過(guò)多視角圖像輸入、本體狀態(tài)標(biāo)記、動(dòng)作分塊和兩階段訓(xùn)練，實(shí)現(xiàn)導(dǎo)航與操作統(tǒng)一建模。實(shí)驗(yàn)表明，小模型在CALVIN等任務(wù)上接近甚至超過(guò)部分大模型；多視角輸入、本體狀態(tài)標(biāo)記和合適動(dòng)作分塊都能顯著提升性能；在真實(shí)雙臂和移動(dòng)操作任務(wù)中，模型也展現(xiàn)出更強(qiáng)魯棒性。

這篇工作的價(jià)值在于，它不再單純追求更大的機(jī)器人模型，而是強(qiáng)調(diào)低成本訓(xùn)練、跨本體泛化、真實(shí)擾動(dòng)評(píng)測(cè)和移動(dòng)操作落地。對(duì)具身智能研究來(lái)說(shuō)，這意味著VLA正在從模型炫技走向真實(shí)可用。

論文介紹：

 ICRA 2026| FD-VLA: Force-Distilled Vision-Language-Action Model for Contact-Rich Manipulation

過(guò)去，VLA模型主要依賴視覺(jué)和語(yǔ)言來(lái)完成機(jī)器人操作，但在真實(shí)場(chǎng)景中，很多任務(wù)并不是看見(jiàn)就能做好。比如插頭插入、按鈕按壓、擦白板等接觸豐富任務(wù)，真正影響成功率的是接觸力、阻力變化、摩擦和細(xì)微形變。

這篇論文關(guān)注的正是VLA的力覺(jué)短板。論文提出FD-VLA，通過(guò)力蒸餾機(jī)制，讓模型在訓(xùn)練階段利用真實(shí)力信號(hào)學(xué)習(xí)潛在力表示；在推理階段，則不再依賴實(shí)體力傳感器，而是根據(jù)視覺(jué)觀察和機(jī)器人本體狀態(tài)預(yù)測(cè)力標(biāo)記，并與視覺(jué)語(yǔ)言信息共同生成動(dòng)作。這樣既保留了力覺(jué)對(duì)接觸操作的幫助，又降低了真實(shí)部署時(shí)對(duì)昂貴、脆弱傳感器的依賴。

創(chuàng)新點(diǎn)主要在于三方面：一是把力覺(jué)信息以蒸餾方式融入VLA，而不是簡(jiǎn)單拼接原始力信號(hào)；二是利用視覺(jué)和本體狀態(tài)預(yù)測(cè)接觸相關(guān)力表示，提升任務(wù)相關(guān)性和魯棒性；三是在真實(shí)機(jī)器人平臺(tái)上驗(yàn)證擦白板、按按鈕、插頭插入等典型接觸任務(wù)。實(shí)驗(yàn)表明，F(xiàn)D-VLA整體成功率明顯高于無(wú)力覺(jué)版本和直接輸入原始力信號(hào)的方法，說(shuō)明可學(xué)習(xí)的力表示比粗暴使用傳感器數(shù)據(jù)更有效。

這篇論文的價(jià)值在于，它把VLA從看懂再行動(dòng)推進(jìn)到理解接觸再行動(dòng)。對(duì)具身智能研究來(lái)說(shuō)，力覺(jué)蒸餾、觸覺(jué)增強(qiáng)、狀態(tài)建模和接觸豐富操作，正在成為VLA實(shí)用化落地的重要發(fā)文切口。

論文介紹：

LIBERO-X: Robustness Litmus for Vision-Language-Action Models

過(guò)去，很多VLA模型在標(biāo)準(zhǔn)機(jī)器人基準(zhǔn)上表現(xiàn)不錯(cuò)，但這并不等于它們真的具備真實(shí)部署能力。真實(shí)環(huán)境中的機(jī)器人任務(wù)，往往會(huì)同時(shí)遇到物體位置變化、場(chǎng)景結(jié)構(gòu)變化、未見(jiàn)物體、視覺(jué)干擾和語(yǔ)言指令改寫(xiě)等問(wèn)題。

這篇論文提出LIBERO-X，核心不是再造一個(gè)更強(qiáng)模型，而是構(gòu)建一個(gè)更嚴(yán)格的VLA魯棒性評(píng)測(cè)基準(zhǔn)，用來(lái)檢驗(yàn)現(xiàn)有視覺(jué)語(yǔ)言動(dòng)作模型到底穩(wěn)不穩(wěn)。方法上，LIBERO-X設(shè)計(jì)了五級(jí)遞進(jìn)式測(cè)試協(xié)議，從局部空間擾動(dòng)、大范圍空間擾動(dòng)，到場(chǎng)景拓?fù)渲貥?gòu)、視覺(jué)屬性變化和語(yǔ)義等價(jià)指令改寫(xiě)，逐層增加真實(shí)部署難度。同時(shí)，它構(gòu)建了更高多樣性的訓(xùn)練數(shù)據(jù)，并通過(guò)多標(biāo)簽診斷分析模型在交互類型、子任務(wù)數(shù)量、空間關(guān)系、物體屬性等維度上的失敗模式。

實(shí)驗(yàn)結(jié)果顯示，多個(gè)代表性VLA模型在LIBERO-X上都會(huì)隨難度增加明顯掉點(diǎn)，尤其在拓?fù)渥兓⑽匆?jiàn)物體、語(yǔ)言改寫(xiě)和多步長(zhǎng)程任務(wù)中表現(xiàn)不穩(wěn)定。這說(shuō)明現(xiàn)有VLA并不是不會(huì)完成任務(wù)，而是缺少對(duì)復(fù)雜分布偏移的穩(wěn)定泛化能力。

這篇工作的價(jià)值在于，它把VLA評(píng)測(cè)從平均成功率推進(jìn)到魯棒性診斷。對(duì)具身智能研究來(lái)說(shuō)，未來(lái)不僅要做更大的模型，也要做更真實(shí)的基準(zhǔn)、更細(xì)的失敗分析和更強(qiáng)的空間泛化、語(yǔ)言接地與長(zhǎng)程執(zhí)行能力，這正是VLA實(shí)用化落地的重要發(fā)文切口。

雷峰網(wǎng)(公眾號(hào)：雷峰網(wǎng))