[RO]《VLA-0: Building State-of-the-Art VLAs with Zero Modification》A Goyal, H Hadfield, X Yang, V Blukis... [NVIDIA] (2025)
VLA-0：零改动即可打造顶尖视觉-语言-动作模型
提出了一种极简但极为有效的视觉-语言-动作模型（VLA）设计思路：
1. 背景：当前VLA主要有三类构建方式：
- 离散动作Token：将连续动作离散化为词汇表中的Token，但分辨率有限且影响语言理解；
- 生成式动作头：在VLM上加动作生成模块，提升动作质量但增加复杂度且可能损害VLM原能力；
- 定制架构：引入专用动作头或自定义Token，效果好但训练复杂。
2. 核心创新：VLA-0直接将动作（如坐标、关节角度）用字符串数字形式表示，利用VLM原生文本生成功能，无需改动词汇表、架构或引入新模块，实现动作预测。该方法简单却强大，避免了复杂设计带来的弊端。
3. 关键技术：
- 动作解码：将连续动作归一化为固定整数区间，VLM输出空格分割的数字序列；
- 预测集成：对同一时间步的多次预测取平均，稳定决策；
- 动作掩码增强：训练时随机遮蔽部分动作数字，迫使模型依赖视觉和语义信息而非简单自动补全。
4. 实验结果：
- 在广泛使用的机器人操作基准LIBERO上，VLA-0在无大规模动作预训练条件下，超越所有同类未预训练模型，并击败多款经过大规模动作预训练的先进模型；
- 在真实机器人平台SO-100上，VLA-0击败了预训练的SmolVLA，验证了其现实适用性；
- 消融实验显示，动作集成和掩码增强显著提升性能，动作分辨率调节也影响表现。
5. 优势总结：
- 设计极简：无需修改底层VLM，保持其语言视觉理解能力完整；
- 性能卓越：超越多种复杂或预训练模型，性能稳定且鲁棒；
- 实用性强：适用多种视觉输入格式，推理速度可接受，未来可通过蒸馏量化进一步加速。
6. 未来展望：
- 探索结合大规模动作预训练，进一步提升表现；
- 优化推理效率，支持更高频率实时控制；
- 研究更复杂任务中的泛化能力。
该工作颠覆了“动作必须特殊处理”的传统观点，展示了“动作即文本”的极简而强大的潜力，为机器人操作AI设计提供了全新思路。
详细论文：
机器人 视觉语言模型 机器学习 VLA 机器人操作 人工智能
链接：arxiv.org/pdf/2510.13054
