Tags: #spatial reasoning

精读 MolmoAct：用深度感知 token、视觉轨迹 trace 与离散动作 token，把 VLA 的感知、规划和控制组织成可解释、可 steer 的三阶段推理。

精读 InSpire：在动作生成前插入目标物体相对机器人方向的 VQA 桥接，用粗粒度空间推理抑制 VLA 的 shortcut learning 与 spurious correlation。