VLA
TouchWorld: A Predictive and Reactive Tactile Foundation Model for Dexterous Manipulation
Jianyi Zhou et al. · 填补触觉 VLA 空白，提出 TouchWorld 模型，兼具接触演化的预测与局部误差的快速反应能力。解决了灵巧操作中触觉反馈滞后与不确定性难题，在多个灵巧手任务上展现 SOTA 性能，极具战略意义。
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
- LEEVLA: Seeing What Matters in Latent Environment Evolution for Vision-Language-Action 提出 LEEVLA，通过潜在环境演化机制动态选择关键视觉 token，解决 VLA 在复杂动态场景中的注意力分散问题。提升了模型对任务关键信息的捕捉能力，适合关注长序列推理与效率优化的研究者参考。 HF-PAPER
- TFP: Temporally Conditioned Memory-Fusion Policies for Visuomotor Learning Yushen Liang et al. · 针对 VLA 策略的‘反应式’缺陷，引入时间条件记忆融合模块，利用历史观测增强当前动作预测。该方法可直接集成至 OpenVLA/π0.5 等架构，提升长程任务稳定性，具有明确的工程复用价值。 CS.RO
- SkillPlug: Unsupervised Skill Mining for Few-Shot Adaptation in Robotic Manipulation Zi-han Ding et al. · 提出无监督技能挖掘框架以支持少样本适应。虽然涉及操作策略，但侧重于技能表示学习而非 VLA 核心架构改进，且缺乏大规模 VLA benchmark 验证，作为相关方向了解即可。 CS.RO
- EgoWAM: World Action Models Beyond Pixels with In-the-Wild Egocentric Human Data Baoyu Li et al. · 利用野外第一人称人类数据解耦可迁移内容与非迁移因素（如形态），构建超越像素的世界动作模型。为解决 VLA 跨形态泛化难题提供新视角，数据驱动方法值得借鉴。 CS.RO
- Harness VLA: Steering Frozen VLAs into Reliable Manipulation Primitives via Memory-Guided Agents Yixian Zhang et al. · 通过记忆引导代理冻结并微调 VLA，将其转化为可靠的操作原语。旨在解决端到端 VLA 在长程任务中缺乏精确接触控制的问题，提供了一种无需重新训练大模型的部署优化路径。 CS.RO
- FabriVLA: A Lightweight Vision-Language-Action Model for Precise Multi-Task Manipulation Shiyuan Yang et al. · 结合 InternVL3.5 与流匹配动作头构建轻量级 VLA。虽强调多任务精度，但属于现有组件的工程组合，缺乏架构层面的显著创新或 SOTA 突破，适合作为轻量化部署参考。 [💧灌水] CS.RO
- DexVerse: A Modular Benchmark for Multi-Task, Multi-Embodiment Dexterous Manipulation Yunchao Yao et al. · 发布 DexVerse 基准，涵盖多种交互模式、感官条件和机器人实体，旨在系统评估灵巧操作策略。作为重要数据集资源值得关注，但本身非算法进展，归类为值得了解。 CS.RO
- SeFA-Policy: Fast and Accurate Visuomotor Policy Learning with Selective Flow Alignment Rong Xue et al. · 提出选择性流对齐以加速视觉运动策略学习。主要贡献在于扩散/流策略的训练效率优化，虽与 VLA 动作生成相关，但未直接涉及语言模态或 VLA 核心瓶颈，属相邻领域改进。 CS.RO
- V-VLAPS: Value-Guided Planning for Vision-Language-Action Models Ke Ren et al. · 引入价值引导规划以弥补 VLA 在分布偏移和长程结构下的反应式缺陷。通过结合 VLA 先验与规划搜索，提升执行鲁棒性，为 Agentic VLA 控制提供了可复用的规划框架。 CS.RO
- Dynamic Execution Horizon Prediction for Chunk-based Robot Policies Yuchi Zhao et al. · 针对分块动作策略，提出动态执行 horizon 预测机制。虽适用于 VLA 动作输出层，但属于通用策略优化技巧，未深入 VLA 特有的多模态对齐或泛化问题，技术增量有限。 CS.RO
- Training and Evaluating Diffusion Policies with Long Context Lengths Abhinav Agarwal et al. · 探讨扩散策略中长上下文长度的训练与评估。主要关注视觉历史窗口的扩展，虽对 VLA 有参考价值，但缺乏语言模态整合及 VLA 特定实验，属于基础策略研究的延伸。 CS.RO
- Pelican-VLA 0.5: Attending Before Acting Benefits Generalization Zeyuan Ding et al. · 提出 Pelican-VLA 0.5，在同一架构内集成视觉语言理解、未来帧生成与动作预测。通过‘先注意后行动’机制提升泛化能力，展示了世界模型辅助 VLA 的有效路径，具备较高关注度。 CS.RO
VLA 研究日報VLA 研究日报
共 30 篇
⚡ 突破
🔧 技術技术
VLA
LEEVLA: Seeing What Matters in Latent Environment Evolution for Vision-Language-Action
提出 LEEVLA，通过潜在环境演化机制动态选择关键视觉 token，解决 VLA 在复杂动态场景中的注意力分散问题。提升了模型对任务关键信息的捕捉能力，适合关注长序列推理与效率优化的研究者参考。
hf-papers
閱讀原文
VLA
TFP: Temporally Conditioned Memory-Fusion Policies for Visuomotor Learning
Yushen Liang et al. · 针对 VLA 策略的‘反应式’缺陷，引入时间条件记忆融合模块，利用历史观测增强当前动作预测。该方法可直接集成至 OpenVLA/π0.5 等架构，提升长程任务稳定性，具有明确的工程复用价值。
cs.RO
閱讀原文
VLA
EgoWAM: World Action Models Beyond Pixels with In-the-Wild Egocentric Human Data
Baoyu Li et al. · 利用野外第一人称人类数据解耦可迁移内容与非迁移因素（如形态），构建超越像素的世界动作模型。为解决 VLA 跨形态泛化难题提供新视角，数据驱动方法值得借鉴。
cs.RO
閱讀原文
VLA
Harness VLA: Steering Frozen VLAs into Reliable Manipulation Primitives via Memory-Guided Agents
Yixian Zhang et al. · 通过记忆引导代理冻结并微调 VLA，将其转化为可靠的操作原语。旨在解决端到端 VLA 在长程任务中缺乏精确接触控制的问题，提供了一种无需重新训练大模型的部署优化路径。
cs.RO
閱讀原文
VLA
V-VLAPS: Value-Guided Planning for Vision-Language-Action Models
Ke Ren et al. · 引入价值引导规划以弥补 VLA 在分布偏移和长程结构下的反应式缺陷。通过结合 VLA 先验与规划搜索，提升执行鲁棒性，为 Agentic VLA 控制提供了可复用的规划框架。
cs.RO
閱讀原文
VLA
Pelican-VLA 0.5: Attending Before Acting Benefits Generalization
Zeyuan Ding et al. · 提出 Pelican-VLA 0.5，在同一架构内集成视觉语言理解、未来帧生成与动作预测。通过‘先注意后行动’机制提升泛化能力，展示了世界模型辅助 VLA 的有效路径，具备较高关注度。
cs.RO
閱讀原文
VLA
GeoProp: Grounding Robot State in Vision for Generalist Manipulation
Guoyang Zhao et al. · 提出 GeoProp 方法，将本体感觉状态显式对齐到视觉特征图，解决传统融合中 kinematics 与 features 脱节问题。为提升 VLA 空间感知精度提供了具体的多模态对齐方案，工程实用性强。
cs.AI
閱讀原文
VLA
HiMoE-VLA: Hierarchical Mixture-of-Experts for Generalist Vision-Language-Action Policies
Zhiying Du et al. · 提出分层混合专家（HiMoE）架构处理 VLA 中的异构数据（不同实体/动作空间）。通过层级路由机制提升泛化能力，是对 MoE 在 VLA 中应用的实质性改进，适合关注模型可扩展性的读者。
cs.AI
閱讀原文
VLA
Play2Perfect: What Matters in Dexterous Play Pretraining for Precise Assembly?
Tyler Ga Wei Lum et al. · 探究灵巧操作预训练中对精密装配至关重要的因素。通过‘玩’式预训练提升接触丰富任务的泛化，为 VLA 灵巧操作的数据策略提供实证洞见，具有明确的方法论指导意义。
cs.RO
閱讀原文
VLA
Grounding Spatial Relations in a Compact World Model: Instruction Leakage and a Goal-Free Dynamics Fix
Yufeng Wang et al. · 分析紧凑世界模型中空间关系 grounding 的指令泄露问题，并提出无目标动力学修复方案。深化了对 VLA 世界模型语义对齐机制的理解，具有理论深度与修正价值。
cs.AI
閱讀原文
VLA
Write-Protected Discrete Bottlenecks for Language-Grounded World Models: A Structural Limitation and Sufficient Fix
Jiayi Fang · 指出端到端 VLM 注入世界模型的梯度传播局限，提出写保护离散瓶颈结构。从架构层面解决语言符号与连续动力学的对齐难题，为 VLA 世界模型设计提供关键修正。
cs.LG
閱讀原文
📖 背景閱讀背景阅读
VLA
SkillPlug: Unsupervised Skill Mining for Few-Shot Adaptation in Robotic Manipulation
Zi-han Ding et al. · 提出无监督技能挖掘框架以支持少样本适应。虽然涉及操作策略，但侧重于技能表示学习而非 VLA 核心架构改进，且缺乏大规模 VLA benchmark 验证，作为相关方向了解即可。
cs.RO
閱讀原文
VLA
FabriVLA: A Lightweight Vision-Language-Action Model for Precise Multi-Task Manipulation
Shiyuan Yang et al. · 结合 InternVL3.5 与流匹配动作头构建轻量级 VLA。虽强调多任务精度，但属于现有组件的工程组合，缺乏架构层面的显著创新或 SOTA 突破，适合作为轻量化部署参考。 [💧灌水]
cs.RO
閱讀原文
VLA
DexVerse: A Modular Benchmark for Multi-Task, Multi-Embodiment Dexterous Manipulation
Yunchao Yao et al. · 发布 DexVerse 基准，涵盖多种交互模式、感官条件和机器人实体，旨在系统评估灵巧操作策略。作为重要数据集资源值得关注，但本身非算法进展，归类为值得了解。
cs.RO
閱讀原文
VLA
SeFA-Policy: Fast and Accurate Visuomotor Policy Learning with Selective Flow Alignment
Rong Xue et al. · 提出选择性流对齐以加速视觉运动策略学习。主要贡献在于扩散/流策略的训练效率优化，虽与 VLA 动作生成相关，但未直接涉及语言模态或 VLA 核心瓶颈，属相邻领域改进。
cs.RO
閱讀原文
VLA
Dynamic Execution Horizon Prediction for Chunk-based Robot Policies
Yuchi Zhao et al. · 针对分块动作策略，提出动态执行 horizon 预测机制。虽适用于 VLA 动作输出层，但属于通用策略优化技巧，未深入 VLA 特有的多模态对齐或泛化问题，技术增量有限。
cs.RO
閱讀原文
VLA
Training and Evaluating Diffusion Policies with Long Context Lengths
Abhinav Agarwal et al. · 探讨扩散策略中长上下文长度的训练与评估。主要关注视觉历史窗口的扩展，虽对 VLA 有参考价值，但缺乏语言模态整合及 VLA 特定实验，属于基础策略研究的延伸。
cs.RO
閱讀原文
VLA
SPEAR: A Simulator for Photorealistic Embodied AI Research
Mike Roberts et al. · 发布 SPear 仿真器，旨在解决现有光真实感仿真器的通用性与渲染速度限制。作为工具类贡献，对生成合成数据有价值，但非算法或理论突破，归类为值得了解。
cs.AI
閱讀原文
VLA
Vision Language Action (VLA) Models for Unmanned Aerial Robotics and Bimanual Manipulation: A Review
Inkyu Sa et al. · 综述 VLA 在无人与双臂操作中的应用。作为文献梳理有助于快速入门，但无原创性方法贡献，符合综述类论文定位。
cs.AI
閱讀原文
VLA
VOTE: Vision-Language-Action Optimization with Trajectory Ensemble Voting
Juyi Lin et al. · 通过轨迹集成投票优化 VLA 生成质量，旨在减少 token 冗余并提升准确性。方法本质是推理阶段的集成技巧，未触及模型架构核心，且标题夸大‘统一’概念，贡献有限。 [💧灌水]
cs.AI
閱讀原文
VLA
RoboDojo: A Unified Sim-and-Real Benchmark for Comprehensive Evaluation of Generalist Robot Manipulation Policies
Tianxing Chen et al. · 发布 RoboDojo 基准，旨在全面评估通用机器人操作策略的 Sim-to-Real 能力。作为重要评估资源值得关注，但非算法创新，归类为值得了解。
cs.AI
閱讀原文
VLA
GIRAF: Towards Generalizable Human Interactions with Articulated Objects
Xiaohan Zhang et al. · 聚焦于合成逼真的人-关节物体交互数据，服务于具身 AI 训练。虽与数据生成相关，但核心贡献在图形学与人体姿态估计，非 VLA 模型本身，作为数据源参考。
cs.CV
閱讀原文
VLA
Do Egocentric Video-Language Models Capture Both Hand- and Object-Centric Cues?
Masatoshi Tateno et al. · 分析第一人称视频语言模型在手-物交互识别中的捷径问题。主要贡献在于诊断性分析与数据集构建，虽与 VLA 感知相关，但无新模型提出，属基础研究。
cs.CV
閱讀原文
VLA
The Surprising Effectiveness of Video Diffusion Models for Hand Motion Reconstruction
Yuxi Wang et al. · 展示视频扩散模型在手部运动重建中的有效性。属于计算机视觉中的姿态估计任务，未涉及机器人控制或 VLA 决策闭环，与本领域核心目标距离较远。
cs.CV
閱讀原文
VLA
Expressivity and Statistical Trade-offs in Diffusion Policy Learning
Viet Vu et al. · 从理论角度分析扩散策略的表达力与统计权衡。虽为 VLA 动作生成提供理论基础，但纯理论推导缺乏具体 VLA 实验验证，适合理论研究者优先阅读。
cs.LG
閱讀原文
VLA
AnyDexRT: Calibration-Free Dexterous Hand Retargeting with Few-Shot Human Guidance
Chenxi Wang et al. · 提出免校准灵巧手重定向方法，利用少样本人类指导。虽服务于数据采集，但核心是运动学映射算法，非 VLA 策略学习，作为遥操作相关技术了解。
cs.RO
閱讀原文
VLA
The Rank-One Corner: How Much Value Equivalence Does a Task Need from a World Model?
Donna Vakalis · 探讨世界模型所需的最小价值等价性。属于强化学习与世界模型的理论边界探索，虽具启发性，但离 VLA 实际工程应用较远，归类为值得了解。
cs.AI
閱讀原文
VLA
Thinking Ahead: Foresight Intelligence in MLLMs and World Model
Zhantao Gong et al. · 定义并评估多模态大模型与世界模型中的‘远见智能’。主要贡献在于概念界定与评估指标，缺乏针对 VLA 控制的具体改进方法，属前沿概念探讨。
cs.AI
閱讀原文
VLA
Feedback Manipulation Regularization: Enabling Offline Agent Alignment for Imitation Learning
Benjamin Poole et al. · 提出反馈操纵正则化以实现离线代理对齐。虽涉及 RL 对齐，但未明确结合 VLA 的多模态特性，主要贡献在 RL 算法层面，与 VLA 核心关联度一般。
cs.LG
閱讀原文