Tags: #vision-language-action model

精读 HiFi-UMI：用 3 mm 轨迹精度、40 μs 硬件同步和六视角采集，把机器人无关示教推进到零机器人后训练与真实机器人部署。

系统拆解 What Matters for Latent Actions in Robot Learning：41 项设计选择、三阶段训练、代理指标与真实机器人验证。

精读 VideoVLA：基于 CogVideoX-5B 的多模态 DiT 同时预测未来视频 latent 与 7D 动作，在 SIMPLER 和真实 Realman 上验证视频想象带来的泛化能力。

精读 πRL：将 flow matching 的去噪过程改写为可计算似然的随机策略，使 π0 与 π0.5 能以 PPO 从在线交互中继续提升。

精读 LA4VLA：从 DROID 轨迹构造 33K 个 vision-agnostic atomic action episode，用 Language-Action 预训练让 VLA 学会语言如何约束动作。

精读 ByteDance Seed 的 GR-RL：用分布式 critic 学习任务进度、过滤次优示范，再通过形态对称增强和 latent-space online RL，让 VLA 学会多眼孔鞋带穿线。

精读 DreamVLA：用动态区域、深度与语义构成的未来世界知识替代整帧预测，再由结构化注意力和 Diffusion Transformer 完成逆动力学控制。

精读 villa-X：用 proprioceptive FDM 让 latent action 对齐机器人动力学，再以 joint diffusion 联合规划 latent action 与低层动作，实现跨 embodiment 的 VLA 迁移。

精读 LAPA：用 VQ-VAE 从相邻视频帧学习离散 latent action，再让 VLM 预测它，最后用少量机器人动作标签完成真实控制映射。

精读 InternVLA-M1：通过 230 万条空间 grounding 数据、空间提示和双监督训练，让 Qwen2.5-VL 的空间推理迁移到 DiT 动作专家。

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。

精读 FAST：用 DCT 与 BPE 压缩高频机器人动作，把自回归 VLA 从“预测数百个冗余 token”变成高信息密度的动作序列。

精读 CoT-VLA：用未来子目标图像作为视觉 Chain-of-Thought，再通过混合注意力和 Action Chunking 生成闭环动作。

精读 ActionCodec：从 VLA 优化视角重新定义动作 token，分析 overlap、词表容量、多模态互信息与 token 独立性。

精读 ACE-Ego-0：用 camera-space action、形态条件、时间对齐和可靠性加权，把 1.48K 小时人类第一视角视频与机器人数据统一用于 VLA 预训练。