vla模型

【ICLR 2026 2026】MemoryVLA 论文解读｜从认知科学与机器人记忆机制视角本文解读 ICLR 2026 论文《MemoryVLA: Perceptual-Cognitive Memory in Vision-Language-Action Models for Robotic Manipulation》。该论文提出MemoryVLA，一个认知科学启发的认知-记忆-动作框架，通过融合工作记忆（短期）、感知-认知记忆库（长期，类海马体）与扩散动作专家，为视觉-语言-动作（VLA）模型显式建模非马尔可夫的长时序依赖，其特别之处在于用"检索 + 门控融合 + 紧凑整合"三大机制同时保留

从‘视觉翻译官’到‘决策指挥官’：VLA模型如何重塑自动驾驶的神经中枢当特斯拉的FSD系统在旧金山街头自主完成30分钟无接管行驶时，行业意识到一个关键转折点已经到来——传统基于规则的分层式自动驾驶架构正在触及能力天花板。这种将感知、预测、规划模块机械串联的"流水线式"设计，虽然结构清晰却存在致命缺陷：每个环节的信息损失会像多米诺骨牌般逐级放大，最终导致系统在复杂场景中的表现支离破碎。

Pi0模型与VSCode开发环境的集成指南很多开发者在接触Pi0这类视觉-语言-动作（VLA）模型时，第一反应是“这东西怎么用起来”。它不像普通Python库那样pip install就能跑，也不像Web服务那样打开浏览器就能试。Pi0本质上是一套需要本地运行、依赖特定硬件和框架的机器人智能系统，而VSCode恰恰是目前最贴近真实开发流程的集成环境。

机器觉醒时代

英伟达GR00T N系列四代模型演进解析在人形机器人从实验室走向产业化的赛道上，英伟达GR00T N系列作为面向人形机器人的开源VLA基础模型，已成为物理 AI 领域的重要技术底座。

机器觉醒时代

RL Token：破解 VLA “最后一厘米”精度难题，在线强化学习实现机器人精准操控一台机器人拿起螺丝刀并不难，难的是让它在几秒钟内，精准地把刀头对准一枚细小的螺丝。这不是未来世界的科幻场景，而是今天机器人操作中最现实、也最棘手的问题。

具身智能之心

Sunday的ACT-1分享！未使用任何机器人本体数据训练的VLA，解决超长时程任务对于具身智能的场景而言，家居环境我认为是终局目标，那么在这个路线上的 sunday 展示了很不错的进展，demo 展示了超级长程的居家任务，其中赵子豪（Tony Zhao）和迟宬（Cheng Chi）两位创始人，也是 ALOHA 、UMI 、ACT、Diffusion Policy 这些工作的作者。

具身智能之心

仅需300美元！先进VLA模型与低成本硬件相结合低成本视觉-语言-动作（VLA）系统，匹兹堡大学研究团队通过300美元级6DOF机械臂搭配自适应视野集成器，解决传统VLA硬件昂贵、泛化性差的痛点，在真实场景中实现超越现有方法的性能，推动机器人基础模型的普及。

具身智能之心

西湖大学最新！RobustVLA：面向VLA模型的鲁棒性感知强化后训练方法（优于SOTA方案）视觉-语言-动作模型已成为强大的通用机器人操作策略，这得益于大规模多模态预训练。然而，在分布外的部署场景中，这些模型往往无法可靠地实现泛化，因为在这些场景中，观测噪声、传感器误差或执行扰动等不可避免的干扰现象十分普遍。虽然近期基于强化学习的后训练为适配预训练的VLA模型提供了一种实用方法，但现有方法主要强调奖励最大化，却忽视了应对环境不确定性的鲁棒性。

具身智能之心

从视频生成到机器人操控：VideoVLA 开启通用机器人新范式在机器人操控领域，视觉 - 语言 - 动作（VLA）模型虽已实现语言指令驱动的任务执行，但在陌生物体处理、跨机器人技能迁移等泛化能力上仍存在瓶颈。现有方案多依赖预训练视觉语言理解模型，难以突破训练数据的场景限制。

机器觉醒时代

具身智能VLA困于“数据泥潭”，人类活动视频数据是否是“破局之钥”？尽管当前的视觉-语言-动作（VLA）模型已展现出显著进展，但其在新场景和与复杂物体交互中的性能会显著下降，在遵循指令方面落后于像LLaVA 这样的大型多模态模型（LMM）。

我是有底线的