• 本周不是「一批 VLA 论文」，而是同一场争论的三条战线：控制步算力该从哪里省。VLA-ULAP 主张把云端大 VLA 与 7.4M 本地预测器交错（省板载功耗），Decoupling Vision/Language/Action 主张把十亿参数 VLM 主干降为低频语义供给（省每步开销），ActionPiece 则主张问题在动作 token 本身没被忠实还原（省错地方的算力等于白省）。三者不互相取代——它们赌的是瓶颈在不同位置。
• SOTA 几乎没有真竞争：LIBERO Plus non-standard 的 CorridorVLA 83.21（较 NS-VLA +3.81）是唯一有分量的跳动，其余 CALVIN/LIBERO 在 +0.03~+0.09 换手，闭源 LIBERO 榜 PriorVLA 与 VLAFlow 完全持平（+0.00）。榜首之争已退化到小数点后两位，真正的方法差异被非标准设定和 CALVIN ABCD-D（EDAR +0.09）这类更难的语言泛化 split 吸收。
• 社区摩擦点比论文更坦诚：openvla #303 夹爪预测偏差 46%（9 评论）指向数据/部署链路而非模型，isaaclab 消费级 GPU 兼容 3 个 issue 中 67% 未解决——deploy 与 data 是跨框架最普遍的摩擦，install/hardware 则集中出现在 isaaclab 与 genesis。

https://arxiv.org/abs/2609.18487" target="_blank" rel="noopener noreferrer">ActionPiece: Rethinking Action Tokenization for Autoregressive Vision-Language-Action Models

指出自回归 VLA 的动作 tokenizer 只用 MSE 这类逐点重建指标评估不成立（小误差不能反映动作调整是否被忠实保留），重新设计动作分词目标与从预测 token 还原可执行指令的方式。

这篇的价值不在「又一个 tokenizer」，而在打了一个被默许的假设：MSE 低就等于动作用对了。tokenizer 同时决定训练目标与部署时还原的指令，所以评估错了，整条 AR-VLA 链路都会朝错误方向优化。候选数据把它标为 🔧（可立即对比采用），意味着改动接口小、可当 A/B 基线——这是它比同周 Time-Frequency Geometric Cross-Attention、Beyond Noise Steering 更可动手的地方，后两者分别落在连续轨迹与隐空间，属「换一条表示路」而非「修评估」。局限：摘要未给跨基准量化对比，是否能同时提升重建与闭环成功率、还是在别处转移误差 > TODO: 需查证。团队华中科技大学。

「

先问「你的 tokenizer 评估指标能不能预测闭环成功率」——ActionPiece 给了可立即跑的 A/B 基线，但拿不出跨基准数字前别全盘替换。

https://arxiv.org/abs/2609.18663" target="_blank" rel="noopener noreferrer">VLA-ULAP: Interleaving Cloud VLA Calls with Ultra-Lightweight Local Action Prediction at the Edge

把远程云端 VLA 调用与一个超轻量本地动作预测器（ULAP，含冻结视觉编码器约 7.4M 参数）交错执行，用当前视角、本体感受与已执行动作历史单次前向预测动作块，兼顾功耗与响应时延。

系统层工作，但对真机部署的功耗/时延预算直接可用：十亿参数 VLA 板载功耗高、远程推理又有通信延迟，ULAP 用 7.4M 参数填住延迟空档。它与 Decoupling Vision/Language/Action 同属「别在每个控制步都跑大模型」，差别是 Decoupling 在模型内部降频（低频语义 + 高频轻量策略），VLA-ULAP 在系统上分层（云 + 边缘）。取捨很明确：VLA-ULAP 把可靠性绑在云端连通性与本地预测器的分布覆盖上，网络抖动或分布外场景下本地预测是否退化、相对纯本地小模型的增益多少 > TODO: 需查证；Decoupling 则不改通信链路。团队东京大学 / Institute of Science Tokyo。

「

要压边缘功耗就先上云边交错，但要先测断网与分布外时 ULAP 掉多少——省的功耗可能用鲁棒性换。

• LIBERO Plus (non-standard, total): CorridorVLA 达 83.21，较 NS-VLA +3.81
• 本周唯一有分量的跳动，且来自非标准设定——说明标准榜饱和后，增量藏在更难的自定义评测里。
• CALVIN (ABC-D, avg_len): MMaDA-VLA 4.78，较 Xiaomi-Robotics-0 仅 +0.03
• 榜首靠 0.03 换手，ABC-D 已无区分度。
• CALVIN (ABCD-D, avg_len): EDAR 4.75，较 NIAF +0.09
• 语言泛化设定上的 0.09 比 ABC-D 的 0.03 更有信息量——真正的差距被难 split 吸收。
• LIBERO (standard-opensource, average): LaST-R1 99.8，较 Abot-M0.5 +0.40
• 开源设定逼近满分，指标已触顶。
• LIBERO (standard-closed, average): PriorVLA 99.1，与 VLAFlow 持平（+0.00）
• 零增益并列，不是平局而是该 split 到顶的信号。

• https://github.com/Genesis-Embodied-AI/genesis-world/releases/tag/v1.4.1" target="_blank" rel="noopener noreferrer">Genesis v1.4.1: 重点优化大规模场景性能：CPU 与 GPU 上耗时随 island 数量呈次线性增长，且不均衡场景下的 Jacobi equilibration 显著更便宜——直接对着「大场景变慢」这个部署痛点。

• 日本某 AI 公司 / 东京养老机构: http://finance.sina.com.cn/wm/2026-09-14/doc-inirvkks3958141.shtml" target="_blank" rel="noopener noreferrer">据报道，其研发的人形机器人于 9 月 11 日在东京一家护理机构首次实测、9 月 13 日画面曝光：倒水时手部抖动、难以提起水壶，精细操作不顺；但机器人可理解语言并递送物品。
• CIFTIS 服贸会人形机器人展区（多家展商）: 2026 服贸会于 9 月 13 日展示人形机器人全产业链：现场以可穿戴设备采集抓取、递物等人体动作转为训练数据，形成超 150 万小时数据库，并向全球开源超 10 万小时人类行为数据集，同时推出仿真训练系统。