VLA
Do VLAs Really Follow Instructions? Diagnosing How-Level Instruction Following in Vision-Language-Action Models
系统诊断 VLA 对 How 级指令（指定执行方式而非任务目标）的遵循能力，发现语言骨干的细粒度指令能力在动作端大量丢失。可作为指令泛化评测与指令数据构造的复用工具，弥补现有只测 What 级任务的评测盲区。
hf-papers
閱讀原文
VLA 研究日報 Pulsar
FEED
— AI 線暫無可用資料 —— AI 线暂无可用资料 —
VLA 線VLA 线 · cs.RO · cs.AI · cs.LG
- Large-scale iontronic skins with neural-hierarchical processing architecture Zhibin Li et al. · 提出高密度离子电子皮肤阵列配神经分层处理架构，把快速读出与数据压缩前置到传感端，实现人形机器人精细纹理感知与轻柔操作。属触觉硬件与信号处理层，尚未接入 VLA 策略训练，但为触觉 VLA 提供上游感知基础。 NATURE-M
- Do VLAs Really Follow Instructions? Diagnosing How-Level Instruction Following in Vision-Language-Action Models 系统诊断 VLA 对 How 级指令（指定执行方式而非任务目标）的遵循能力，发现语言骨干的细粒度指令能力在动作端大量丢失。可作为指令泛化评测与指令数据构造的复用工具，弥补现有只测 What 级任务的评测盲区。 HF-PAPER
- REKI: Registering Knowledge in VLAs [LIBERO Team] 2.4B 纯公开数据预训练的 VLA，在 LIBERO-Plus、RoboTwin Clean2Rand 与 RoboCasa365 上以约一半参数量对标大模型，给出性能-规模的新 Pareto 前沿。其知识注册式视觉-语言→动作迁移设计与公开数据配方对小模型落地有直接参考价值。 HF-PAPER
- TGrasp6D: Task-Informed Vision-Language Priors and Pose Refinement enable Zero-Shot Task-Oriented 6DoF Grasping [Purdue University West Lafayette] Manav Kulshrestha et al. · 用 VLM 任务先验推断该抓哪里（切面包抓刀柄、递刀抓刀身），再结合 6DoF 位姿精修做零样本任务导向抓取。属抓取前端模块，可作为 VLA 流水线中的低层抓取提议器，但本身不涉及操作策略学习。 CS.AI
- LTM: Latent Transition Based In-Context Memory for Vision-Language-Action Models Qixin Sun et al. · 把历史存成相邻观测间的紧凑隐状态转移，作为上下文记忆注入策略，并在 π0.5 上实例化，解决目标被遮挡后仍需回忆交互的问题。记忆模块与训练方式可直接移植到现有 VLA，是即插即用的长时序改造方案。 CS.AI
- Cross-Embodiment Causal Transfer from Human Videos to Robot Manipulation [University of Science and Technology of China] Xingyu Zhang et al. · 尝试从海量人类操作视频中提取可跨本体迁移的因果因素，以缓解真实机器人交互数据昂贵的问题。方向属于 VLA 数据规模化的关键路径，但摘要只给出动机与因果分解思路，缺少策略层面的实验与量化结果。 CS.AI
- Memory as Weights: Internalizing Long-Term History for Streaming Videos [Southwest Wisconsin Technical College] Zhuoming Liu et al. · 将长期历史内化进模型权重而非压缩/检索/缓存，使流式 VLM 在保持实时响应的同时累积过去信息。属长视频理解侧的记忆机制创新，未涉及机器人操作或具身决策，仅可作为 VLA 记忆设计的远距离参考。 CS.AI
- LIBERO-PeRM: Benchmarking Personalized Robotic Manipulation [LIBERO Team] Zhixu Li et al. · 指出现有操作 benchmark 缺少个性化维度，构建按用户偏好执行任务的评测基准。评测视角新增（同一任务不同偏好），对家用机器人落地有参考，但贡献在评测而非方法，非紧急精读项。 CS.AI
- LIBERO-Industry: Benchmarking Robotic Manipulation under Industrial Process Constraints [LIBERO Team] Ming Shin Cindy Sung et al. · 针对高混合低产量电子装配场景，把工艺顺序、公差等工业过程约束纳入操作 benchmark，弥补 LIBERO 系列缺少过程约束的空白。属评测基础设施，对有工业落地需求的团队有用但不紧急。 CS.AI
- RMBench: Memory-Dependent Robotic Manipulation Benchmark with Insights into Policy Design [HKU] Tianxing Chen et al. · 构建需要历史观测推理的记忆依赖操作 benchmark，并量化现有策略在记忆任务上的系统性失败，给出策略设计层面的分析结论。可作为记忆型 VLA（如 LTM 类工作）的评测基准。 CS.AI
- EmbodiedMidtrain: Bridging the Gap between Vision-Language Models and Vision-Language-Action Models via Mid-training [Language Technologies Institute , Carnegie Mellon University] Yiyang Du et al. · 提出在通用 VLM 与 VLA 后训练之间插入 embodied mid-training 阶段，用具身数据把视觉-语言表征对齐到机器人域，再下接动作学习。给出了训练阶段划分与数据配比的可复现范式，可直接用于改造现有 VLM 底座。 CS.AI
- ValueFormer: Stage-Aware Value Labels for Online Failure Detection and VLA Post-Training [Robotics Research (United States)] Inkyu Sa et al. · 用阶段感知的价值标签从动作流中在线识别「看似顺利实则崩溃」的静默失败，并把该信号回灌到 VLA 后训练。可直接作为后训练/RL 阶段的自动数据筛选与早停器，工程落地性强。 CS.AI
VLA 研究日報VLA 研究日报
共 22 篇
🔧 技術技术
VLA [LIBERO Team]
REKI: Registering Knowledge in VLAs
2.4B 纯公开数据预训练的 VLA，在 LIBERO-Plus、RoboTwin Clean2Rand 与 RoboCasa365 上以约一半参数量对标大模型，给出性能-规模的新 Pareto 前沿。其知识注册式视觉-语言→动作迁移设计与公开数据配方对小模型落地有直接参考价值。
hf-papers
閱讀原文
VLA
LTM: Latent Transition Based In-Context Memory for Vision-Language-Action Models
Qixin Sun et al. · 把历史存成相邻观测间的紧凑隐状态转移，作为上下文记忆注入策略，并在 π0.5 上实例化，解决目标被遮挡后仍需回忆交互的问题。记忆模块与训练方式可直接移植到现有 VLA，是即插即用的长时序改造方案。
cs.AI
閱讀原文
VLA [Language Technologies Institute , Carnegie Mellon University]
EmbodiedMidtrain: Bridging the Gap between Vision-Language Models and Vision-Language-Action Models via Mid-training
Yiyang Du et al. · 提出在通用 VLM 与 VLA 后训练之间插入 embodied mid-training 阶段，用具身数据把视觉-语言表征对齐到机器人域，再下接动作学习。给出了训练阶段划分与数据配比的可复现范式，可直接用于改造现有 VLM 底座。
cs.AI
閱讀原文
VLA [Robotics Research (United States)]
ValueFormer: Stage-Aware Value Labels for Online Failure Detection and VLA Post-Training
Inkyu Sa et al. · 用阶段感知的价值标签从动作流中在线识别「看似顺利实则崩溃」的静默失败，并把该信号回灌到 VLA 后训练。可直接作为后训练/RL 阶段的自动数据筛选与早停器，工程落地性强。
cs.AI
閱讀原文
📖 背景閱讀背景阅读
VLA
Large-scale iontronic skins with neural-hierarchical processing architecture
Zhibin Li et al. · 提出高密度离子电子皮肤阵列配神经分层处理架构，把快速读出与数据压缩前置到传感端，实现人形机器人精细纹理感知与轻柔操作。属触觉硬件与信号处理层，尚未接入 VLA 策略训练，但为触觉 VLA 提供上游感知基础。
Nature-MI
閱讀原文
VLA [Purdue University West Lafayette]
TGrasp6D: Task-Informed Vision-Language Priors and Pose Refinement enable Zero-Shot Task-Oriented 6DoF Grasping
Manav Kulshrestha et al. · 用 VLM 任务先验推断该抓哪里（切面包抓刀柄、递刀抓刀身），再结合 6DoF 位姿精修做零样本任务导向抓取。属抓取前端模块，可作为 VLA 流水线中的低层抓取提议器，但本身不涉及操作策略学习。
cs.AI
閱讀原文
VLA [University of Science and Technology of China]
Cross-Embodiment Causal Transfer from Human Videos to Robot Manipulation
Xingyu Zhang et al. · 尝试从海量人类操作视频中提取可跨本体迁移的因果因素，以缓解真实机器人交互数据昂贵的问题。方向属于 VLA 数据规模化的关键路径，但摘要只给出动机与因果分解思路，缺少策略层面的实验与量化结果。
cs.AI
閱讀原文
VLA [Southwest Wisconsin Technical College]
Memory as Weights: Internalizing Long-Term History for Streaming Videos
Zhuoming Liu et al. · 将长期历史内化进模型权重而非压缩/检索/缓存，使流式 VLM 在保持实时响应的同时累积过去信息。属长视频理解侧的记忆机制创新，未涉及机器人操作或具身决策，仅可作为 VLA 记忆设计的远距离参考。
cs.AI
閱讀原文
VLA [LIBERO Team]
LIBERO-PeRM: Benchmarking Personalized Robotic Manipulation
Zhixu Li et al. · 指出现有操作 benchmark 缺少个性化维度，构建按用户偏好执行任务的评测基准。评测视角新增（同一任务不同偏好），对家用机器人落地有参考，但贡献在评测而非方法，非紧急精读项。
cs.AI
閱讀原文
VLA [LIBERO Team]
LIBERO-Industry: Benchmarking Robotic Manipulation under Industrial Process Constraints
Ming Shin Cindy Sung et al. · 针对高混合低产量电子装配场景，把工艺顺序、公差等工业过程约束纳入操作 benchmark，弥补 LIBERO 系列缺少过程约束的空白。属评测基础设施，对有工业落地需求的团队有用但不紧急。
cs.AI
閱讀原文
VLA [HKU]
RMBench: Memory-Dependent Robotic Manipulation Benchmark with Insights into Policy Design
Tianxing Chen et al. · 构建需要历史观测推理的记忆依赖操作 benchmark，并量化现有策略在记忆任务上的系统性失败，给出策略设计层面的分析结论。可作为记忆型 VLA（如 LTM 类工作）的评测基准。
cs.AI
閱讀原文
VLA [Yonsei University]
Evaluating Multimodal LLMs as Generalist Vision-Language-Action Agents for Drone Control: Commanding, Approaching, Tracking and Searching
Jaewoo Park et al. · 把多模态 LLM 当作无人机通用 agent，在真实多机、目标可移动的场景下评测指令解析、接近、跟踪与搜索四类能力，突破以往纯仿真单机评测。属空中具身 agent 评测，与机械臂操作 VLA 的关键技术不可直接复用。
cs.AI
閱讀原文
VLA
Learning Intrinsic Dynamics in Latent World Models
Jiamin Shi et al. · 指出与动作无关的视觉变化会污染潜空间中的动作-后果关系，提出分离内在动力学的表征学习目标。对世界模型/视频预测有方法论价值，但验证偏仿真，未接入真实机器人策略。
cs.AI
閱讀原文
VLA [University of Houston]
CoWorld Reasoner: Agentic Multimodal Reasoning with the Evolving Video World Model-Driven Harness
Dongjie Cheng et al. · 用视频世界模型作为统一引擎，驱动 agent 对运动、动作与视角变化做时空推理，超越输入帧可见内容。属通用多模态 agent 推理框架，未涉及机器人操作闭环，暂不构成 VLA 可复用组件。
cs.AI
閱讀原文
VLA
Whole-Body Dexterity
Conor Mc Gartoll et al. · 主张人形灵巧操作不应局限于末端执行器，提出用前臂与躯干支撑、滑动大体积物体的全身操作范式。切中灵巧操作瓶颈，但摘要未给出策略架构与实验量化，需读正文才能判断可复用性。
cs.AI
閱讀原文
VLA [Army Medical University]
GeoState: Learning View-Decoupled Geometry States for 3D World Modeling
Hongchang Liu et al. · 针对几何基础模型特征的视角依赖问题，把场景动力学与相机引起的表观变化解耦，得到视角无关的 3D 世界状态。对具身世界模型的表征质量有提升，但未验证于机器人操作策略。
cs.AI
閱讀原文
VLA [Shenyang Pharmaceutical University]
T2-z: Test-Time Optimization of Environment Latents for Robotic World Models
Chenyuan Zhou et al. · 在测试时在线优化环境隐变量，补偿摩擦、质量、人类干扰等不可观测因素，提升机器人世界模型的动作后果预测。与世界模型驱动的策略规划互补，但当前贡献集中在前向预测精度。
cs.AI
閱讀原文
VLA
RAP-WAM: Learning World-Action Models through Predictive Rehearsal and Action Perturbations
Yuanpeng He et al. · 把预测性演练与动作扰动结合，解决视频生成先验如何有效指导策略学习的问题，属 world-action model 训练方法。方向与 VLA 规划侧高度相关，但摘要未给出基准对比，暂按值得了解处理。
cs.AI
閱讀原文
VLA
Play2Perfect: What Matters in Dexterous Play Pretraining for Precise Assembly?
Tyler Ga Wei Lum et al. · 系统消融多指灵巧手「玩耍式」预训练对精密装配任务的影响因素，回应接触丰富任务数据难采集的问题。属灵巧操作数据侧的实证研究，对做多指 VLA 的团队有经验参考，但非 VLA 架构贡献。
cs.AI
閱讀原文
VLA [Stanford]
World Modeling through Spectral Alignment
Holger Molin et al. · 从谱表示学习角度提出 SpecWM，显式指定观测之间应保持的关系，从而控制 JEPA 世界模型保留哪些信息。提供了「告诉世界模型该记住什么」的新接口，但当前验证停留在表征层面。
cs.AI
閱讀原文
VLA [Sun Yat-sen University]
DexMimic: A Generalist Dexterous Hand-Object Tracking Policy via Value-Guided Reset Allocation
Zhexi Luo et al. · 从人类手-物交互数据训练通用灵巧跟踪策略，用值函数引导 reset 分配以提升物理仿真中的课程式学习效率。面向动作重定向与跟踪而非视觉-语言条件策略，可作为灵巧 VLA 的低层动作先验。
cs.AI
閱讀原文