10 篇 VLA 论文，看机器人视觉语言动作模型怎么演进
概览
2024 到 2026 年，机器人学习最明显的变化，就是大家不再满足于'给任务、写脚本、跑控制器'这套老路了。视觉、语言、动作被塞进同一个框架里，VLA（Vision-Language-Action）模型开始接管更多决策。它不一定已经足够稳定，但方向很清楚：机器人要学的，不只是动作本身，而是如何把场景、指令和执行连起来。
我把这 10 篇论文分成两组：5 篇打基础，5 篇看前沿。前半部分更像地基，后半部分能看到各家在往哪里补短板。
Part I：五篇基础性论文
1. RT-2: New Model Translates Vision and Language into Action
发表机构：Google DeepMind
时间：2023 年 7 月
论文链接：Google DeepMind Blog
要解决什么问题
传统机器人策略主要吃机器人演示数据，范围窄，换个物体、换个说法就容易失手。RT-2 想做的事很直接：把互联网里已经学到的视觉和语言常识迁过来，让机器人别只会背训练集。
思路和已有方法的差别
RT-2 的关键是把大规模视觉-语言模型直接改造成 VLA。它基于 PaLM-E 和 PaLI-X 这类预训练模型，再把真实机器人数据和互联网视觉-语言数据放到一起微调。
和 RT-1 的区别也很明显：RT-1 基本还是在机器人演示里打转，RT-2 则开始利用 VLM 已经学到的语义理解能力，去处理训练时没见过的指令，比如'把能当即兴锤子的东西递给我'这类句子。
动作表示也被统一成文本 token，这样语言和动作可以走同一个 decoder。这个处理方式不花哨，但很实用，模型不需要为'说话'和'动手'维护两套完全不同的输出逻辑。
为什么有用
这套思路背后其实很朴素：人类也不是靠给每个物体都做一遍操作练出来的。我们先在图像和文本里积累'常识'，再把它用到动作里。RT-2 的价值，就是把这个过程第一次比较完整地落到机器人上。
价值
- 学术上，它证明了互联网数据可以迁移到机器人控制
- 工程上，它把通用指令和机器人动作放进了一套表示里
- 产业上，它降低了新任务的训练门槛
2. Open X-Embodiment: Robotic Learning Datasets and RT-X Models
发表机构：21 所机构联合（Google DeepMind 领导）
时间：2023 年 10 月
论文链接：arXiv:2310.08864
要解决什么问题
机器人领域最烦人的一个现实是：每种硬件都像一个孤岛。单臂、双臂、四足、不同相机配置，数据格式和动作空间都不一样，模型很难直接复用。Open X-Embodiment 想做的是把这些孤岛先连起来。
思路和已有方法的差别
它的核心不是单个模型，而是一套大规模数据集和配套的 RT-X 系列模型。数据集里包含 22 种机器人形态、100 万+ 真实轨迹、527 种技能、160,266 个任务。模型这边则把不同平台的动作统一到 7 维 end-effector 控制，再做离散化。
这个统一动作空间的做法很务实。先别急着追求'每台机器都完全原生'，先让不同机器人能在同一套表示里学到共性。
为什么有用
跨平台学习真正带来的不是'一个模型统治所有硬件'这种口号，而是迁移成本明显下降。某些动作经验可以在不同机器人之间流动，这比每次从头采样、从头训要省事得多。
价值
- 为机器人基础模型提供了一个更像样的数据底座
- 让后续开源工作有了直接可用的训练资源
- 证明 Transformer 架构确实能吃下多形态机器人数据
3. OpenVLA: An Open-Source Vision-Language-Action Model
发表机构：斯坦福大学、UC Berkeley、Physical Intelligence
时间：2024 年 6 月
论文链接：arXiv:2406.09246
要解决什么问题
RT-2 这类模型能力强，但闭源、参数大，普通研究团队很难直接拿来改。OpenVLA 的定位就比较明确：做一个开源、轻量、还不能太差的 VLA。
思路和已有方法的差别
它把 DINOv2 和 SigLIP 组合成视觉编码器，再用 Llama 2 7B 做语言 backbone，最后把动作离散成 256 bins，当成 token 来预测。
这套搭法看上去没什么'惊天创新'，但落地效果不错。OpenVLA 的重点不是堆参数，而是把视觉细节、语义对齐和动作预测拆得更合理。它只用 7B 参数，却能在不少任务上压过更大的闭源模型，至少说明这条路不是纯靠规模硬推。
为什么有用
DINOv2 和 SigLIP 的组合，实际上是在补彼此的短板：一个偏细节，一个偏语义。动作离散化则让模型可以继续沿用大模型擅长的序列建模方式。对机器人来说，这种'借用语言模型的习惯'比重新发明一套控制头更省心。
价值
- 开源后，研究和原型验证都更容易做
- 7B 规模比 55B 这种重模型更接近实际部署
- 适合团队在此基础上继续做微调和压缩
4. 3D Diffusion Policy (DP3)
发表机构：MIT、清华大学、上海交通大学
时间：2023 年 12 月
论文链接：CoRL 2025
要解决什么问题
只看 2D 图像做机器人控制，深度和空间关系总是差一口气。视角一变，遮挡一多，模型就容易出问题。DP3 的目标是把 3D 几何显式引进来，别全靠模型自己猜。
思路和已有方法的差别
它把稀疏采样的点云作为输入，再用轻量级 Point Transformer 提特征，最后接扩散策略生成动作序列。
和常见的 2D CNN 或 ViT 相比，这种做法的好处很直接：空间关系被摆在明面上了。模型不用从一张平面图里费劲脑补深度，也更不怕视角变化。
为什么有用
机器人操作里，空间信息不是加分项，是底层刚需。一个杯子是不是能抓、该从哪侧接近、前面有没有障碍，基本都离不开 3D 感知。DP3 的优势就在这里，它把'看懂空间'这件事提前做了。
实验也比较实在：72 个仿真任务只给 10 个演示，成功率还能比 baseline 高一截；到真实任务上，也能保持不错的泛化。
价值
- 证明 3D 表示对操作任务确实有帮助
- 点云编码 + 扩散策略的组合比较耐用
- 适合装配、拣选这类对空间定位要求高的场景
5. Octo: An Open-Source Generalist Robot Policy
发表机构：UC Berkeley、CMU、Google DeepMind
时间：2024 年 1 月
论文链接：Octo Models
要解决什么问题
很多 VLA 模型一旦换传感器、换动作空间，改起来就很麻烦。Octo 想解决的是'模块能不能拆开，别每次都重来一遍'。
思路和已有方法的差别
它用 Transformer-based 扩散策略作为主体，再配模块化注意力机制，支持语言指令、目标图像、多相机和历史观察。新机器人来了，不需要把整个系统推倒重训，只要微调相关模块就行。
Octo 也分了两个版本：Octo-Small 27M 参数，Octo-Base 93M 参数。数据来自 Open X-Embodiment 的 800k episodes。
为什么有用
这类设计最大的问题不是'好不好看'，而是后面能不能接着改。模块化结构的好处就在于，研究者和工程团队都更容易沿着同一个骨架迭代。它不是最炫的方案，但确实省心。
价值
- 适合作为研究平台
- 微调成本相对低
- 开源属性让后续复现和改造更顺手
Part II：五篇前沿论文
6. NVIDIA Isaac GR00T N1: Open Foundation Model for Humanoid Robots
发表机构：NVIDIA
时间：2025 年 3 月
论文链接：NVIDIA Research
要解决什么问题
人形机器人的动作空间太大了。躯干、双臂、手腕、手指都要动，还得实时。传统 VLA 在这种场景里很容易卡住，尤其是推理速度和控制频率都不够用。
思路和已有方法的差别
GR00T N1 采用双系统结构：System 2 负责慢思考、做高层规划；System 1 负责快反应、直接输出连续控制指令。
这个分工其实很像人类。我们先决定'要做什么'，再让身体去执行'怎么做'。模型训练时还混了第一视角人类视频、真实机器人轨迹、仿真数据和 latent action training，目的就是把抽象任务理解和细粒度动作控制拉到一起。
为什么有用
人形机器人最怕两件事：一个是动作维度太高，一个是控制不稳定。双系统设计把这两个问题拆开了，慢模型负责理解，快模型负责执行。这样做不算优雅，但很符合工程现实。
价值
- 适合全身协调控制
- 在实时性上更接近可用系统
- 对人形机器人这条线的影响会比较直接
7. VITRA: Scalable VLA Pretraining with Human Videos
发表机构：微软亚洲研究院
时间：2026 年 1 月
论文链接：Microsoft Research
要解决什么问题
机器人数据太贵了，遥操作、标注、采集都不轻松，但人类视频在网上一抓一大把。VITRA 想做的是把这些非结构化视频变成能训练 VLA 的数据。
思路和已有方法的差别
它先从人类视频里做 3D 手部运动重建，再把人手动作映射成结构化的 VLA 格式，最后用大规模人类视频做预训练，再用少量机器人遥操数据做迁移。
这里的重点不是'视频很多'，而是'把视频整理成模型能吃的东西'这一步做顺了。只要这道工序可靠，训练数据的上限就被拉高了。
为什么有用
人类视频里的动作知识很多时候比机器人演示更丰富，尤其是涉及抓取、倒水、整理这类日常操作时。它不一定能直接拿来控制机械臂，但能先把动作逻辑学进去，再做少样本适配。
价值
- 为 VLA 预训练提供了更便宜的数据来源
- 缓解了机器人演示稀缺的问题
- 对需要快速扩展任务覆盖面的团队很实用
8. Physical Intelligence π0.5: VLA with Open-World Generalization
发表机构：Physical Intelligence
时间：2025 年 4 月
论文链接：Physical Intelligence Blog
要解决什么问题
很多模型在训练环境里表现不错，一换到陌生家庭就掉得很快。π0.5 想解决的是更难也更现实的问题：机器人能不能在没见过的环境里继续干活。
思路和已有方法的差别
它不是只喂机器人轨迹，而是把多家庭、多办公室环境数据，多模态网络数据，多形态机器人数据，以及语言指导演示一起联合训练。
模型本身也分成高层语义推理和低层动作控制两层。高层先决定任务结构，低层再输出连续动作。这个结构不稀奇，但在开放世界场景里很管用，因为它允许模型先理解'该做什么'，再管'怎么伸手'。
为什么有用
开放世界的难点不是某个单点动作，而是环境变化太大。多样化数据带来的不是简单的'见得多'，而是模型开始学任务规律，不那么依赖具体房间布局。
价值
- 对家庭服务机器人很关键
- 能把'泛化'这件事往真实场景推进一步
- 比起只会刷 benchmark 的模型，它更像是在补实际可用性
9. CoA-VLA: Chain-of-Affordance for Better Reasoning
发表机构：ICCV 2025
时间：2025 年
论文链接：ICCV 2025 Paper
要解决什么问题
很多 VLA 能听懂指令，但不太会做空间层面的判断，比如哪里能放、哪里会撞、哪块区域其实不适合执行动作。CoA-VLA 针对的就是这类可供性推理。
思路和已有方法的差别
它把流程拆成几步：先识别物体，再做空间定位，再推断可供性，最后把这些信息通过视觉和文本两条路径注入策略网络。
这比'直接看图出动作'多了一层显式推理。代价是流程更复杂，但换来的是动作前能先判断环境约束，少做一些低级错误。
为什么有用
机器人最怕的不是不知道要做什么，而是知道目标却在执行时碰撞、偏移、选错位置。CoA-VLA 的贡献在于，它把'可不可以做'这一步提到前面了。
价值
- 对安全和碰撞规避有帮助
- 适合人机协作场景
- 让 VLA 的推理部分更像样一点
10. WorldVLA: Autoregressive Action-World Model
发表机构：清华大学、上海交通大学
时间：2025 年 6 月
论文链接：Literature Review
要解决什么问题
很多 VLA 只学'看见什么就出什么动作'，但对物理世界本身理解不够。WorldVLA 想补的是这个缺口：模型不只是出动作，还要能建模环境变化。
思路和已有方法的差别
它把 world model 和 action model 统一到一个自回归框架里。一边预测未来图像，一边生成动作 token，两个部分交错训练。
这个方向的意义在于，动作不再是孤立输出，而是和环境演化绑定在一起。模型在做决定之前，能借助世界模型对后续状态做一点'预演'。
为什么有用
机器人动作之所以难，很多时候不是因为不会动，而是因为不知道动完会怎样。WorldVLA 把这种物理直觉往模型里塞了一点，虽然离人类的脑内模拟还差得远，但已经比纯动作预测更完整了。
价值
- 把 world model 带进 VLA 是个自然的下一步
- 适合做长期规划和仿真中的策略训练
- 对多步任务推理会有帮助
总结
这 10 篇论文放在一起看，路线其实越来越清楚了。
RT-2 和 Open X-Embodiment 先把'互联网知识能不能进机器人'这件事打通；OpenVLA 和 Octo 把开源、模块化、可复用这件事往前推了一步；DP3 说明 3D 几何还是绕不过去；GR00T N1 和 π0.5 则在往更难的开放世界和人形机器人方向走；VITRA、CoA-VLA、WorldVLA 则是在补数据、推理和物理建模这些更底层的短板。
我觉得 VLA 现在最像的，不是一个已经成型的标准答案，而是一组正在收敛的工程路线。谁先把数据、表示、推理、控制这几层真正打通，谁就更接近能用的通用机器人系统。
关键词：Vision-Language-Action，VLA 模型，机器人操作，具身智能，多模态学习，迁移学习，人形机器人
推荐阅读顺序：RT-2 → Open X-Embodiment → OpenVLA → 3D Diffusion Policy → Octo → GR00T N1 → VITRA → π0.5 → CoA-VLA → WorldVLA
