Vision-Language-Action

• PhysWord：原子动作词分类与未来视觉/触觉隐状态直接对齐，在动作块内预测多个阶段；扩展拾纸 70.0% 对去词监督 36.7%，支持语义锚点对阶段重启的价值。完整模型还受益于 Cosmos 视频分支，尚未证明开放词汇组合或全身控制。

新增材料：When Do Discrete Actions Make Good Continuous Controllers? 将动作表示与生成方式交叉比较：均匀分箱 DF 在 RoboCasa 达 53.9%，DR 加 CFG 从 27.1% 升至 49.2%。关键瓶颈是跨时间与坐标的因子分解误差；平滑信号与冻结骨干对照同时提醒，离散优势依赖目标结构、训练与部署条件。

新增材料：rMuscle 利用重复执行中的内部状态相似性，分别减少视觉 FFN 计算与动作 FFN 权重读取。pi0.5 在 4090 上相对 FlashRT 从 46.0 ms 降至 35.5 ms，RoboTwin 平均成功率持平；但逐任务质量依赖参考覆盖及稠密回退，不能将平均持平解释为每任务无损。

新增材料：Agentic World Action Models 将可复用技能代码纳入视频与动作的联合去噪，真机八任务平均评分 71.1%。其默认模式以代码指导而不执行代码；混合执行需可靠技能 API，并存在随机化鲁棒性与干净场景性能的取舍。

把视觉、语言和动作统一进同一策略建模框架，是当前具身智能主线之一。

这条主题在讲什么

VLA 的核心不是“把图像和文本都喂给机器人”，而是把机器人控制问题放进 foundation model 语境里，让预训练、多任务泛化、迁移、微调和跨 embodiment 学习都能在一套统一框架里讨论。

为什么重要

• VLA 是现在连接大模型能力与机器人执行能力的主干路线
• 它把机器人学习从 task-specific policy 推向 reusable foundation policy
• 很多后续方向，本质上都是在回答“VLA 还缺什么”
  • 更强的可控性
  • 更长的记忆
  • 更高的精度
  • 更好的跨 embodiment 迁移
  • 更低成本地利用人类数据
  • 新感官模态的持续适配与低延迟闭环

当前知识库里的几条子路线

• 开源基座化 来自 来源: OpenVLA: An Open-Source Vision-Language-Action Model OpenVLA 强调训练、微调、部署三件事一起开源，代表“VLA 作为公开基础设施”的路线。

• 更强 steerability 来自 来源: π0.7: a Steerable Generalist Robotic Foundation Model with Emergent Capabilities π0.7 通过 richer prompt、subgoal image、episode metadata 把“怎么做”也编码进策略上下文。

• 在线 RL 精修 来自 来源: RL Token: Bootstrapping Online RL with Vision-Language-Action Models RLT 关注如何在保留 VLA 泛化先验的前提下，把精度和速度继续打磨到 specialist 水平。 VLA-Precision 则把在线精修扩展到完整大 VLA actor-learner 闭环：ACoB 治理纠正、回报、偏好和参考策略之间的可信度，ACoB-Stream 治理冻结 context、replay 与 LoRA 状态的生命周期。

• 长时程记忆 来自 来源: MEM: Multi-Scale Embodied Memory for Vision Language Action Models MEM 试图解决 VLA 在长达十几分钟任务中的任务进度保持和局部视觉记忆问题。

• 利用 human data 来自 来源: Emergence of Human to Robot Transfer in Vision-Language-Action Models 这条路线关注 VLA 何时开始能真正吃进 human video，并把它转化成机器人能力。

• 跨具身对齐与 OOD 规模化 来自 来源: Qwen-RobotManip Technical Report Qwen-RobotManip 把 canonical state-action slots、camera-frame delta EEF 和 episode context 组合成统一接口，重点回答异构机器人数据何时能随规模增长转化为 OOD、指令跟随和跨具身迁移能力。

• 灵巧手基准与失败诊断 来自 来源: DexJoCo: A Benchmark and Toolkit for Task-Oriented Dexterous Manipulation on MuJoCo DexJoCo 不提出新 VLA 模型，而是把 VLA/模仿学习策略在灵巧手、双手协作、按钮/插装/铰链交互和视觉随机化下的失败模式系统测出来。

• 训练目标物理化 来自 来源: AttenA+: Rectifying Action Inequality in Robotic Foundation Models AttenA+ 不改 VLA/WAM 骨干，而是把动作速度场写进 loss 权重，让模型更重视低速、精细、接触关键的动作片段。

• 新感官模态的持续适配 来自 来源: Multisensory Continual Learning: Adapting Pretrained Visuomotor Policies to Force MuSe 把 force-torque 接入已有 visuomotor world model，并用未来视频/F/T 联合预测、旧数据 replay 与 missing-modality mask 同时优化新任务前向迁移和旧任务后向保持。

• 训练期力蒸馏与部署期无传感器推理 来自 来源: FD-VLA: Force-Distilled Vision-Language-Action Model for Contact-Rich Manipulation FD-VLA 用真实力表示监督一个由视觉与机器人状态生成的潜在力 token，并以定向注意力保护冻结 VLM；它代表“昂贵物理模态只在训练期做教师、部署期由常见模态补全”的路线，同时暴露了突发接触不可观测的安全边界。

• 联合动作—接触后果生成与价值后训练 来自 来源: Facet-0: A Robotic Foundation Model for Contact-Rich Precise Manipulation Facet-0 将因果 wrench 历史接入 PaliGemma 与 flow-matching 动作专家，联合生成 7D 动作块和未来 6D wrench；Action–Wrench Critic 再用部署轨迹评价联合提案。它代表“不是只给 VLA 增加感官输入，而是改变动作专家所生成和价值模型所评价的对象”的路线。

• 力—位示范采集与控制原语对接 来自 来源: ForceMimic: Force-Centric Imitation Learning with Force-Motion Capture System for Contact-Rich Manipulation ForceMimic 不以 VLA 规模化为目标，而是用无机器人手持 ForceCapture 采集自然六维 wrench—位姿数据，再由 HybridIL 扩散策略预测未来位姿与 wrench，并交给正交混合力位控制器执行。它提醒 VLA 路线：新物理模态的收益首先取决于采集分布、坐标校准和动作接口，而不只是输入通道数量。

• 异步快慢触觉闭环 来自 来源: T-Rex: Tactile-Reactive Dexterous Manipulation T-Rex 让低频动作专家负责视觉语言规划、高频触觉专家复用缓存并沿同一 flow 轨迹细化动作，代表“多速率专家共享动作分布”的路线。

• chunk 内流式触觉反馈 来自 来源: TacForcing: Streaming Action Generation with Execution-Time Tactile Feedback TacForcing 不另设快触觉控制器，而是让同一个动作专家按块完成、执行并保留未来块中间态；每次执行后刷新触觉，EATA 只让最新触觉影响下一待执行块，把观测时刻与动作生效时刻显式对齐。

• 历史上下文 + 具身推理 + 动作对齐的系统化 来自 来源: DM0.5: 面向开放世界的通用具身智能基础模型 DM0.5 把长历史记忆（最长 60s）、11 种具身推理 CoT 任务、以及轨迹进展对齐三个设计做成一体，换来开放环境 Zero-Shot 泛化和真机 Table30 v2 SOTA。

• 隐式动作（LAM）的系统化消融 来自 来源: What Matters for Latent Actions in Robot Learning 这篇把 LAPO/LAOF/CoMo/CFD-AE 等隐式动作建模方法统一进同一自编码框架，扫描 41 个设计选择，证明原始 LAPO 最强、光流先验有害，并给出「隐式动作微调 VLM 骨干」的可复制配方（真机 +14.5pp）。

• 表示中心的持续预训练 来自 来源: Beyond Data Scaling: Representation-Centric Continued Pre-training for Vision-Language-Action Models VLAct 不设计新的最终动作头，而是把 VLA continued pre-training 当作 backbone 表示学习：保护 VLM 浅层先验，以 OFT、PI、GR00T 多头联合监督减少 decoder lock-in，并只在物理可比的动作维度上做跨具身共享。

• 几何原生的世界—动作模型 来自 来源: Geometric Action Model for Robot Policy Learning GAM 把 GFM 在中间层切分，在几何潜空间因果预测未来状态与动作，再复用剩余深层共同解码未来深度和动作块；它代表“让几何骨干成为策略本体”而非仅做外部特征蒸馏的路线。

• 隐式空间表征对齐 来自 来源: Spatial Forcing: Implicit Spatial Representation Alignment for Vision-language-action Model Spatial Forcing 用 VGGT 的多视角空间 latent 监督 VLA 较深层的视觉 token；教师只在训练期参与，推理仍走原 VLA 前向。它把 3D 能力从新增输入/传感器问题转换为中间表示正则问题。

• 模块化 WAM 设计与跨域预训练 来自 来源: OpenWAM: An Open, Modular Exploration Towards Systematic World-Action Model Pretraining OpenWAM 把视频骨干、视觉潜空间、动作容量、跨流 attention、去噪调度和数据配方拆成受控变量，证明专用动作容量、世界到动作信息流与同步去噪共同决定协同；它也显示预训练主要抬升 OOD，而多帧像素 latent 在相机和噪声扰动下仍有明显上限。

• 历史动作驱动的低延迟生成 来自 来源: Action-to-Action Flow Matching A2A 不再从高斯噪声启动动作 flow，而是把本体反馈得到的历史已执行动作编码成 source latent，再运输到未来动作 latent；它代表“用物理连续性缩短生成路径”的实时策略路线，单步推理达到 0.56 ms。

• 历史源驱动的机器人基础模型加速 来自 来源: Delta Flow Matching for Robot Foundation Models Delta-flow 把 A2A 思路从动作 latent 扩展到 foundation-model 动作空间和 WAM 视觉潜变量：近期历史加噪作为 flow source，端点一致性直接监督单步生成。它把 ImageWAM 跨过 90% 成功率的训练从 6 epoch 缩到 1 epoch，并把 LIBERO-Plus 提升到 88.55%。

• 慢速 VLA 与高频柔顺控制闭环 来自 来源: CR-VLA-Force CC-VLA 让 pi0 同时预测位姿与期望力，用历史力 token 和残差 MoE 保持接触状态，再把动作块交给 500 Hz 自适应柔顺控制器执行；它代表“VLA 提供语义与物理目标、经典控制器处理块内快速反应”的显式接口路线。

• 关节力矩感知 VLA 的接口设计 来自 来源: TA-VLA: Elucidating the Design Space of Torque-aware Vision-Language-Action Models TA-VLA 系统比较 torque 接入位置、历史表示和未来预测目标，发现 action decoder 侧融合、整段历史聚合为单 token、联合生成未来动作与 torque 的组合最有效；它代表“低成本连续物理模态必须适配预训练动作接口，而非简单扩张视觉语言 token”的路线。

当前判断

这几篇放在一起看，VLA 主线已经很清楚：

• OpenVLA 解决“基座是否开放、可训、可部署”
• π0.7 解决“多源数据如何通过 prompt 变成可控能力”
• RLT 解决“如何把通才策略继续打磨到高精度”
• VLA-Precision 解决“如何让人类纠正和逐步校准的 critic 稳定协作，并让大型 VLA 的新经验及时变成部署策略”
• MEM 解决“如何把策略延长到 long-horizon”
• Human-to-Robot Transfer 解决“如何把人类数据真正吸纳进来”
• DexJoCo 解决“如何用灵巧手任务和失败模式检验这些策略是否真的具备接触密集、双手和长时程能力”
• AttenA+ 解决“训练目标是否应该反映动作序列内部的物理关键性”
• MuSe 解决“如何把预训练时不存在的新力觉模态接入 foundation policy，同时避免旧能力遗忘”
• FD-VLA 解决“如何把真实力降为训练期 privileged supervision，并在无力传感器部署时保留任务相关的接触先验”
• Facet-0 解决“如何把未来接触后果绑定到候选动作，用部署价值挑出干净接触，并在安全动作盒内做零件级适配”
• ForceMimic 解决“如何在无机器人条件下自然采集真实力—位示范，并通过混合控制原语把预测 wrench 接到执行层”
• T-Rex 解决“如何让低频视觉规划与高频触觉动作细化在同一生成轨迹上协同”
• TacForcing 解决“如何在同一个动作生成器内部交错 chunk 生成、执行与触觉更新，并限制反馈的时间作用域”
• DM0.5 解决“如何把历史上下文、具身推理、动作监督三件事系统化地收进一个可用的通用 VLA”
• What Matters for Latent Actions 解决“用无标注视频学隐式动作时，哪些设计真正决定下游性能、以及如何低成本评估隐式动作质量”
• VLAct 解决“固定机器人数据预算下，如何让持续预训练得到可换动作头、可跨具身迁移的 VLA backbone”
• GAM 解决“如何把预训练三维几何先验直接变成低延迟世界—动作骨干，并在相机扰动下保持空间鲁棒性”
• Spatial Forcing 解决“如何把 3D 基础模型作为训练期教师注入 VLA 视觉表示，同时保持 RGB 输入和原推理路径”
• OpenWAM 解决“如何把 WAM 的继承、耦合、去噪与跨域数据配方拆成可复现受控实验，并扩展成开放预训练基线”
• Phoenix（MWA™-Phoenix） 解决“如何把双教师几何/时序表征、因果视觉压缩与世界—动作联合 flow matching 组装成全开源 WAM 基座，并用交互潜变量和世界模型内 RL 补齐真机精细操作”
• A2A 解决“如何把历史已执行动作作为生成先验，缩短 flow 路径并把机器人策略推理压到单步”
• CC-VLA 解决“如何让 1 Hz 的 VLA 把期望位姿和力交给 500 Hz 柔顺回路，在动作块内部保持可控接触”
• TA-VLA 解决“如何把电流估算的关节力矩接到预训练动作解码器，并用单 token 历史与未来 torque 目标增强接触操作”

也就是说，VLA 不再只是一个单点模型设计问题，而已经分化成一套系统问题族。

相关页面

• OpenVLA: An Open-Source Vision-Language-Action Model

• π0.7: a Steerable Generalist Robotic Foundation Model with Emergent Capabilities

• RL Token: Bootstrapping Online RL with Vision-Language-Action Models

• VLA-Precision: Asymmetric Co-Bootstrapping for Efficient Real-World Online RL of Vision-Language-Action Models

• MEM: Multi-Scale Embodied Memory for Vision Language Action Models

• Emergence of Human to Robot Transfer in Vision-Language-Action Models

• Qwen-RobotManip Technical Report: Alignment Unlocks Scale for Robotic Manipulation Foundation Models

• DexJoCo: A Benchmark and Toolkit for Task-Oriented Dexterous Manipulation on MuJoCo

• AttenA+: Rectifying Action Inequality in Robotic Foundation Models

• Multisensory Continual Learning: Adapting Pretrained Visuomotor Policies to Force

• FD-VLA: Force-Distilled Vision-Language-Action Model for Contact-Rich Manipulation

• Facet-0: A Robotic Foundation Model for Contact-Rich Precise Manipulation

• ForceMimic: Force-Centric Imitation Learning with Force-Motion Capture System for Contact-Rich Manipulation

• T-Rex: Tactile-Reactive Dexterous Manipulation

• TacForcing: Streaming Action Generation with Execution-Time Tactile Feedback

• 机器人策略中的力觉与触觉：从信号语义到闭环控制

• DM0.5: 面向开放世界的通用具身智能基础模型

• What Matters for Latent Actions in Robot Learning

• Beyond Data Scaling: Representation-Centric Continued Pre-training for Vision-Language-Action Models

• Geometric Action Model for Robot Policy Learning

• Spatial Forcing: Implicit Spatial Representation Alignment for Vision-language-action Model

• OpenWAM: An Open, Modular Exploration Towards Systematic World-Action Model Pretraining

• Phoenix（MWA™-Phoenix）: Scaling Robotic Manipulation through Visual and Interaction Representations

• CR-VLA-Force: Learning Control-aware Compliance VLA Model for Robust Contact-rich Robotic Manipulation

• TA-VLA: Elucidating the Design Space of Torque-aware Vision-Language-Action Models

• Online RL for VLA

• Long-Horizon Memory for Robot Policies

• Human-to-Robot Transfer

• AHA-WAM：通过观测驱动 K/V 路由、随机起点训练和滚动记忆，连接低频世界模型与高频执行；需区分系统加速、预训练协议与算法增益。