• 推理加速成为部署核心瓶颈，FlashVLA 提出流式动作解码实现 VLA 异步低延迟推理，直接缓解 flow-matching 类模型的多步迭代延迟。
• 持续学习与失败恢复机制受重视，Memory Anchors 证明少量关键经验可替代全量 replay buffer 缓解灾难性遗忘，FLARE 显式建模失败驱动在线纠错。
• 产业端小鹏发布第二代 VLA 与 XOS 6.3.0，标志长序列架构正式上车；开源社区 isaaclab 进入生产阶段，gr00t 展示 Unitree G1 零样本部署。

https://arxiv.org/abs/2608.27384" target="_blank" rel="noopener noreferrer">FlashVLA: Streaming Action Decoding for Fast and Asynchronous VLA Inference

针对 VLA 部署中推理延迟高与异步执行不稳定的问题，提出流式动作解码框架，将动作生成与观测解耦实现异步低延迟推理。

传统 VLA（尤其是基于 flow-matching 的模型）在动作解码时需要多步迭代且强依赖 VLM 上下文，导致控制频率受限。FlashVLA 通过流式解码机制，允许动作生成与新的视觉观测并行推进，打破同步阻塞瓶颈。该方法在保持策略精度的同时显著提升执行频率，对实时机器人控制与边缘部署具有直接工程价值。社区实战中 isaaclab 与 lerobot 的性能回归与硬件兼容问题频发，FlashVLA 的异步架构恰好可绕过部分同步调度开销，为高帧率控制提供新路径。

「

流式解码是突破 VLA 实时部署延迟瓶颈的关键架构，值得优先集成到控制管线。

https://arxiv.org/abs/2608.26545" target="_blank" rel="noopener noreferrer">Memory Anchors for Continual Robot Learning

面向机器人策略持续学习，提出记忆锚点机制替代传统随机 replay buffer，以少量关键经验锚定历史性能，缓解灾难性遗忘。

VLA 部署后需不断适应新任务，但在线微调极易引发灾难性遗忘。传统经验回放依赖全量或随机采样，计算与存储开销大。该工作证明只需保留一小部分高信息量的“锚点”经验，即可在训练新任务时有效维持旧策略性能。结合 FLARE 的失败感知恢复框架，表明 VLA 的鲁棒性不再依赖更大模型，而是依赖更智能的记忆与纠错机制。对资源受限的边缘设备，锚点回放可大幅降低持续精调成本。

「

从‘堆数据’转向‘选关键记忆’，是 VLA 终身学习走向工程落地的必经之路。

• LIBERO standard-opensource: LaST-R1 达 99.8，超越 Abot-M0.5 0.40 分
• 开源模型逼近理论天花板，基准饱和信号明确，后续增量需转向实机或更复杂 split。
• LIBERO Plus non-standard: CorridorVLA 以 83.21 超越 NS-VLA 3.81 分
• LIBERO Plus 仍具区分度，场景复杂度扩展是突破瓶颈的有效方向。
• CALVIN 多 split: ABC-D/ABCD-D/D-D 均被多模型刷新，但差距在 0.03-0.29 之间
• CALVIN 已全面饱和，微小分数波动无统计意义，刷分进入边际收益递减区。

• 小鹏汽车 (XPeng Motors): https://www.xiaopeng.com/news/detail/20260827_vla" target="_blank" rel="noopener noreferrer">8月27日 发布第二代VLA模型及XOS 6.3.0系统，采用Infini-VLA长序列架构与Master Agent，并将L4能力下放至量产车。