VLA 模型机制研究:运动程序绑定绝对坐标, basket 挪 5cm 就翻车
Bryce Grant · hf · 2026-10-22
- Case Western Reserve 大学的 Bryce Grant 等人发布了一篇 VLA(Vision-Language-Action)模型机制可解释性研究论文。
- 核心发现:微调后的 VLA 策略会把字母汤放进篮子,但只要篮子左移 5 厘米就会把汤洒在桌上——策略学到的是绑定在绝对坐标上的运动程序,基本无视视觉场景变化。
- 通过向动作专家注入任务 A 的激活、同时让策略看任务 B 的场景,可使 π0.5 在 99.6% 的回合(n=1,968)执行任务 A 的运动轨迹;该效应在 SmolVLA 上因交错融合(interleaved fusion)降至 52.1%,在 GR00T N1.5 上为 57.0%。
- 稀疏自编码器(SAE)分析进一步将各架构中的指令编码与运动生成分离开,说明"并非所有特征都生而平等"。
「具身」频道最新
- 马斯克:Optimus 已启动早期生产,Fremont 产线年产能近百万台 — elonmusk · 2026-10-22
- RAX 用冻结 LLM 驱动机器人：纯探索零示范，成本仅 Opus 的 1/20 — du_yilun · 2026-10-22
- 机器人将抹平人力成本：昂贵商品的 价格趋向材料加能源 — Dr_Singularity · 2026-10-22
- NVIDIA 上线 SimReady Central：2000+ 开源仿真 3D 资产登陆 Hugging Face — lhoestq · 2026-10-22
- 独立开发者两年打造轻量实时 AI 对话虚拟人,原生接入 UE5 — Sad_Eagle_937 · 2026-10-22
- 黄仁勋 GTC 柏林压轴演示：一条 Prompt 让 Hermes Agent 自建训练环境 — NousResearch · 2026-10-22