VLA [Microsoft]
MolmoAct2: Action Reasoning Models for Real-world Deployment
Haoquan Fang et al. · 推出开源、轻量且专为真实部署优化的VLA模型MolmoAct2。在多项基准上超越闭源前沿模型，解决开放权重VLA的性能与部署瓶颈，确立新SOTA。
cs.RO
閱讀原文
VLA 研究日報 Pulsar
LIVE
— AI 線今日無資料 —— AI 线今日无资料 —
VLA 線VLA 线 · cs.RO · cs.AI · cs.LG
- BioProVLA-Agent: An Affordable, Protocol-Driven, Vision-Enhanced VLA-Enabled Embodied Multi-Agent System with Closed-Loop-Capable Reasoning for Biological Laboratory Manipulation Zhaohui Du et al. · 针对生物实验室自动化，提出基于VLA的多智能体系统以处理非结构化协议。属于特定领域应用，缺乏通用VLA架构创新或跨平台基准验证。 CS.RO
- AT-VLA: Adaptive Tactile Injection for Enhanced Feedback Reaction in Vision-Language-Action Models [Tongji University] Xiaoqi Li et al. · 提出触觉注入机制增强VLA在接触丰富场景下的反馈反应。填补了触觉VLA方向空白，方法具有明确的工程复用路径，适合本周集成测试。 CS.RO
- CSR: Infinite-Horizon Real-Time Policies with Massive Cached State Representations Robin Karlsson et al. · 通过缓存状态表示解决LLM作为机器人认知引擎时的TTFT延迟瓶颈。提供实时策略部署的工程优化方案，显著降低推理延迟，具备直接应用价值。 CS.RO
- Escaping the Diversity Trap in Robotic Manipulation via Anchor-Centric Adaptation Yanzhe Chen et al. · 提出锚点中心适应法解决VLA模型在特定硬件上的embodiment gap问题。针对低成本数据下的领域适应提供新方法，对实际部署有指导意义。 CS.RO
- BrickCraft: Visuomotor Skill Composition with Situated Manual Guidance for Long-Horizon Interlocking Brick Assembly [清华] Jichuan Yu et al. · 专注于长视界积木组装的视觉运动技能组合框架。虽涉及操作，但任务过于特定且缺乏通用VLA基准对比，属于细分场景应用研究。 CS.RO
- TAVIS: A Benchmark for Egocentric Active Vision and Anticipatory Gaze in Imitation Learning [Tilburg University] Giacomo Spigler · 发布首个用于模仿学习中主动视觉和预期注视的基准数据集TAVIS。重要资源但无新算法贡献，供社区后续评估使用，非紧急技术突破。 CS.RO
- HumanNet: Scaling Human-centric Video Learning to One Million Hours Yufan Deng et al. · 构建百万小时级人类中心视频数据集以支持具身智能学习。大规模数据基础设施工作，虽重要但属数据层贡献，不直接改变VLA训练范式。 CS.RO
- Learning Visual Feature-Based World Models via Residual Latent Action [University of Science and Technology of China] Xinyu Zhang et al. · 提出基于残差潜在动作的视觉特征世界模型，避免像素生成开销。方法新颖但主要在仿真验证，缺乏真实机器人操作闭环证据。 CS.RO
- Continually Evolving Skill Knowledge in Vision Language Action Model Yuxuan Wu et al. · 解决VLA持续学习中的灾难性遗忘问题，提出高效适应方法。针对CIL痛点提供具体解决方案，有助于提升模型长期演化能力，值得复现。 CS.RO
- Large Video Planner Enables Generalizable Robot Control Boyuan Chen et al. · 利用大型视频规划器扩展多模态大模型以实现通用机器人控制。引入视频预测辅助决策，为VLA提供新的长视界规划视角，具备实验参考价值。 CS.RO
- Latent Reasoning VLA: Latent Thinking and Prediction for Vision-Language-Action Models Shuanghao Bai et al. · 提出潜在思维与预测机制，解决离散CoT与连续控制的失配问题。降低推理开销并提升逻辑一致性，为VLA内部表征优化提供新思路。 CS.RO
- SeedPolicy: Horizon Scaling via Self-Evolving Diffusion Policy for Robot Manipulation Youqiang Gui et al. · 通过自进化扩散策略解决长视界操作中的性能退化问题。改进DP在堆叠观测下的表现，方法可直接应用于现有Diffusion Policy代码库。 CS.RO
VLA 研究日報VLA 研究日报
共 30 篇
⚡ 突破
🔧 技術技术
VLA [Tongji University]
AT-VLA: Adaptive Tactile Injection for Enhanced Feedback Reaction in Vision-Language-Action Models
Xiaoqi Li et al. · 提出触觉注入机制增强VLA在接触丰富场景下的反馈反应。填补了触觉VLA方向空白，方法具有明确的工程复用路径，适合本周集成测试。
cs.RO
閱讀原文
VLA
CSR: Infinite-Horizon Real-Time Policies with Massive Cached State Representations
Robin Karlsson et al. · 通过缓存状态表示解决LLM作为机器人认知引擎时的TTFT延迟瓶颈。提供实时策略部署的工程优化方案，显著降低推理延迟，具备直接应用价值。
cs.RO
閱讀原文
VLA
Escaping the Diversity Trap in Robotic Manipulation via Anchor-Centric Adaptation
Yanzhe Chen et al. · 提出锚点中心适应法解决VLA模型在特定硬件上的embodiment gap问题。针对低成本数据下的领域适应提供新方法，对实际部署有指导意义。
cs.RO
閱讀原文
VLA
Continually Evolving Skill Knowledge in Vision Language Action Model
Yuxuan Wu et al. · 解决VLA持续学习中的灾难性遗忘问题，提出高效适应方法。针对CIL痛点提供具体解决方案，有助于提升模型长期演化能力，值得复现。
cs.RO
閱讀原文
VLA
Large Video Planner Enables Generalizable Robot Control
Boyuan Chen et al. · 利用大型视频规划器扩展多模态大模型以实现通用机器人控制。引入视频预测辅助决策，为VLA提供新的长视界规划视角，具备实验参考价值。
cs.RO
閱讀原文
VLA
Latent Reasoning VLA: Latent Thinking and Prediction for Vision-Language-Action Models
Shuanghao Bai et al. · 提出潜在思维与预测机制，解决离散CoT与连续控制的失配问题。降低推理开销并提升逻辑一致性，为VLA内部表征优化提供新思路。
cs.RO
閱讀原文
VLA
SeedPolicy: Horizon Scaling via Self-Evolving Diffusion Policy for Robot Manipulation
Youqiang Gui et al. · 通过自进化扩散策略解决长视界操作中的性能退化问题。改进DP在堆叠观测下的表现，方法可直接应用于现有Diffusion Policy代码库。
cs.RO
閱讀原文
VLA [Purdue University West Lafayette]
Contact-Grounded Policy: Dexterous Visuotactile Policy with Generative Contact Grounding
Zhengtong Xu et al. · 提出生成式接触接地机制，提升灵巧手在接触丰富场景下的操控能力。结合视触觉信息，为高难度灵巧操作提供有效解决方案。
cs.RO
閱讀原文
VLA
Hydra-DP3: Frequency-Aware Right-Sizing of 3D Diffusion Policies for Visuomotor Control
Jinhao Zhang et al. · 从频域视角重构3D扩散策略，优化采样步骤与解码器设计。显著提升推理效率，为轻量化部署提供可复用的工程优化方案。
cs.RO
閱讀原文
VLA
VLA-GSE: Boosting Parameter-Efficient Fine-Tuning in VLA with Generalized and Specialized Experts
Yuhua Jiang et al. · 提出广义与专用专家混合结构以优化VLA参数高效微调。缓解过拟合并提升泛化，为下游任务适配提供高效的LoRA替代方案。
cs.RO
閱讀原文
VLA
ForgeVLA: Federated Vision-Language-Action Learning without Language Annotations
Yuhao Zhou et al. · 提出无需语言标注的联邦VLA学习方法，解决数据隐私与标注成本问题。为分布式机器人数据协同训练提供可行路径，具工程价值。
cs.AI
閱讀原文
VLA
One Token Per Frame: Reconsidering Visual Bandwidth in World Models for VLA Policy
Zuojin Tang et al. · 重新审视VLA世界模型中的视觉带宽，提出每帧一token的高效编码策略。平衡预测精度与计算成本，为长视界规划提供轻量化实现参考。
cs.AI
閱讀原文
VLA
How to utilize failure demo data?: Effective data selection for imitation learning using distribution differences in attention mechanism
Kana Miyamoto et al. · 利用注意力机制分布差异筛选失败演示数据以提升模仿学习效率。提供简单有效的数据清洗策略，可快速集成到现有IL流程中。
cs.RO
閱讀原文
VLA [University of New Hampshire]
TAIL-Safe: Task-Agnostic Safety Monitoring for Imitation Learning Policies
Riad Ahmed et al. · 提出任务无关的安全监控框架TAIL-Safe，保障模仿学习策略的安全性。即插即用的安全模块，适用于各类IL/VLA策略部署前的风险管控。
cs.RO
閱讀原文
📖 背景閱讀背景阅读
VLA
BioProVLA-Agent: An Affordable, Protocol-Driven, Vision-Enhanced VLA-Enabled Embodied Multi-Agent System with Closed-Loop-Capable Reasoning for Biological Laboratory Manipulation
Zhaohui Du et al. · 针对生物实验室自动化，提出基于VLA的多智能体系统以处理非结构化协议。属于特定领域应用，缺乏通用VLA架构创新或跨平台基准验证。
cs.RO
閱讀原文
VLA [清华]
BrickCraft: Visuomotor Skill Composition with Situated Manual Guidance for Long-Horizon Interlocking Brick Assembly
Jichuan Yu et al. · 专注于长视界积木组装的视觉运动技能组合框架。虽涉及操作，但任务过于特定且缺乏通用VLA基准对比，属于细分场景应用研究。
cs.RO
閱讀原文
VLA [Tilburg University]
TAVIS: A Benchmark for Egocentric Active Vision and Anticipatory Gaze in Imitation Learning
Giacomo Spigler · 发布首个用于模仿学习中主动视觉和预期注视的基准数据集TAVIS。重要资源但无新算法贡献，供社区后续评估使用，非紧急技术突破。
cs.RO
閱讀原文
VLA
HumanNet: Scaling Human-centric Video Learning to One Million Hours
Yufan Deng et al. · 构建百万小时级人类中心视频数据集以支持具身智能学习。大规模数据基础设施工作，虽重要但属数据层贡献，不直接改变VLA训练范式。
cs.RO
閱讀原文
VLA [University of Science and Technology of China]
Learning Visual Feature-Based World Models via Residual Latent Action
Xinyu Zhang et al. · 提出基于残差潜在动作的视觉特征世界模型，避免像素生成开销。方法新颖但主要在仿真验证，缺乏真实机器人操作闭环证据。
cs.RO
閱讀原文
VLA [Wuhan University]
3D Generation for Embodied AI and Robotic Simulation: A Survey
Tianwei Ye et al. · 综述3D生成在具身AI和机器人仿真中的应用。全面梳理现状但无新技术贡献，适合作为背景阅读而非即时技术跟进。
cs.RO
閱讀原文
VLA [LIBERO Team]
Sword: Style-Robust World Models as Simulators via Dynamic Latent Bootstrapping for VLA Policy Post-Training
Jiaxuan Gao et al. · 利用动态潜在自举构建风格鲁棒的世界模型模拟器，用于VLA后训练。方法复杂且主要依赖仿真，真实机器人迁移效果待验证。
cs.AI
閱讀原文
VLA [Gachon University]
EggHand: A Multimodal Foundation Model for Egocentric Hand Pose Forecasting
Jaeyoung Choi et al. · 发布第一人称手部姿态预测基础模型EggHand。聚焦于人手姿态估计而非机器人控制策略，属于感知层工具而非核心VLA进展。
cs.CV
閱讀原文
VLA
Soft tactile chip with in-situ sensing for haptic rendering and reverse feedback enhanced gross to fine teleoperation
Minglu Zhu et al. · 开发集成原位传感的软触觉芯片以增强遥操作反馈。硬件创新为主，虽相关但非软件/VLA算法层面的直接进展。
Nature-Comms
閱讀原文
VLA [Sichuan University]
HAIC: Humanoid Agile Object Interaction Control via Dynamics-Aware World Model
Dongting Li et al. · 结合动力学感知世界模型实现人形机器人敏捷物体交互。侧重全身控制与动力学，虽涉及操作但非典型VLA视觉语言对齐范式。
cs.RO
閱讀原文
VLA
AGWM: Affordance-Grounded World Models for Environments with Compositional Prerequisites
Qinshi Zhang (University of California et al. · 提出可供性接地世界模型以处理具有组合前提的环境。理论性强但实验多在仿真，缺乏真实机器人长视界操作验证。
cs.AI
閱讀原文
VLA [Hokkaido University of Science]
Predictive but Not Plannable: RC-aux for Latent World Models
Wenyuan Li et al. · 揭示潜在世界模型预测准确但不可规划的问题，并提出RC-aux辅助训练。深入分析模型缺陷，但对VLA实际控制性能提升尚不明确。
cs.AI
閱讀原文
VLA [Wuhan University of Technology]
LoopNav: Benchmarking Spatial Consistency in World Models
Kewei Lian et al. · 发布LoopNav基准以评估世界模型的空间一致性。重要评估工具但无新算法，供社区检验世界模型质量。
cs.AI
閱讀原文
VLA [University of Bristol]
Render, Don't Decode: Weight-Space World Models with Latent Structural Disentanglement
Roussel Desmond Nzoyem et al. · 提出权重空间世界模型以避免像素解码开销。理论新颖但主要在视频预测层面，未展示其在机器人控制中的具体应用。
cs.AI
閱讀原文
VLA
Neurosymbolic Imitation Learning with Human Guidance: A Privileged Information Approach
Nikhilesh Prabhakar et al. · 结合神经符号方法与人类指导的模仿学习。方法相邻但缺乏VLA架构整合及大规模基准验证，暂归为值得了解。
cs.LG
閱讀原文