Tags: #vla

精读 AAC：用多候选动作的 action entropy 在推理时自适应选择 chunk size，在不改训练架构的情况下平衡 VLA 的反应性与时间一致性。

精读 VLA-OPD：让学生 VLA 在自己走出的状态上接受教师的 token-level dense supervision，并用 Reverse-KL 同时获得 SFT 的效率与 RL 的闭环鲁棒性。

精读 VLA-0：以 Qwen2.5-VL 为底座，不新增动作 token 或动作头，仅用数字文本、动作集成和 masked action augmentation 构建高性能 VLA。

精读 VISTA：用可生成的视觉子目标把 Embodied World Model 变成高层规划器，再由 GoalVLA 执行低层动作，提升少样本机器人操作的 OOD 泛化。

精读 UniDex：用人类视频构建跨形态灵巧手数据集，以 FAAS 统一动作空间，并用 3D VLA 实现零样本跨手迁移。

精读 Physical Intelligence 的 RECAP：用分布式 value function 估计 advantage，再以 advantage conditioning 从示教、自治轨迹和人工干预中迭代改进 VLA。

精读 RDT2：用 10,000+ 小时 UMI 示教数据与 RVQ、Flow Matching、蒸馏三阶段训练，让 7B VLA 零样本迁移到未见机器人本体。

精读 Physical Intelligence 的 π₀.₇：多模态 context、混合质量数据、子目标图像与异步 flow policy 如何带来灵巧、跨形态和组合泛化。

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 LAP-3B：把连续末端动作写成自然语言，再用 flow-matching action expert 实现零样本跨 embodiment 迁移。

精读 Knowledge Insulation：用离散动作学习保护 VLM 表征，再用无梯度回传的 Flow Matching action expert 实现快速、连续且更会听指令的 VLA。

精读 HEX：用 body-part 对齐状态、UPP-MoE、视觉历史缓存与 flow matching，让全尺寸人形机器人跨形态完成协调的全身操作。

精读 NVIDIA GR00T N1：双系统 VLA、Eagle-2、Flow Matching DiT 与数据金字塔如何共同支撑跨形态人形机器人策略。

精读 Galaxea G0.5：用跨形态 ActionCodec、原生 CoT 与视觉记忆，把 VLM 重新变成同时推理和行动的 autoregressive VLA。

精读 FASTer：从 FASTerVQ 的二维动作压缩、RVQ 与 DCT 重建，到 FASTerVLA 的 Block-wise Autoregression 和 Action Expert。