上交团队提出 GSR：破解 VLA 模型指令泛化难题

机器之心 · wechat · 2026-08-06

当前视觉-语言-动作（VLA）模型在指令泛化上存在严重缺陷，仅改写任务表述便会导致动作执行成功率暴降。上海交大与无界动力的联合团队发现，这是因为等价措辞在多模态融合中引入了特征偏移，并被下游动作模块放大。

团队提出了 GSR（Grounded Semantic Re-Binding）方法：使用冻结的 T5 编码器独立提取稳定的任务语义，并根据不同 VLA 架构重新注入特征流，最后重新训练动作专家。实验表明，该方法无需使用改写指令训练，即可让轻量级模型泛化能力大幅提升（如 SmolVLA 成功率从 4.47% 跃升至 49.12%），甚至对已预训练的大模型也有增益。