VLA不只靠堆数据：VLAct把表示学习放在机器人泛化之前

机器人领域正在训练越来越通用的视觉—语言—动作（VLA）模型，但它面临一个与大语言模型不同的现实约束：机器人轨迹很难规模化获取。互联网图文数据可以持续扩展，而机器人数据需要真实设备、场景和人工操作参与，采集成本高，覆盖的物理世界也相对稀疏。在这种情况下，继续收集数据并不是唯一答案，模型能否把有限轨迹转化为可迁移的表示，可能同样关键。

Hugging Face Daily Papers 收录的 VLAct，提出了一条“表示优先”的继续预训练路线。它先在广泛、异构、跨机器人本体的数据上训练面向VLA的VLM骨干，再进行具体任务的微调。该设计并非简单地让视觉语言模型拟合动作标签，而是试图同时保留原有的视觉—语言先验，并让不同机器人之间形成更具共享性的动作语义。

核心做法包括：

• 保留VLM先验：继续预训练过程中约束模型不要丢失原有的视觉与语言能力，使其不至于被有限的机器人轨迹过度“窄化”。
• 连续动作多头协同监督：使用多个动作预测头共同学习连续控制信号，帮助模型应对不同数据来源和机器人本体之间的差异。
• 部分统一动作布局：将不同本体的动作表示在一定程度上对齐，同时保留任务微调阶段使用专用动作头的灵活性。

这一设计体现了一个重要判断：跨本体迁移不一定要求所有机器人共享完全相同的控制接口，但需要在更高层面建立可复用的动作概念。换言之，模型可以理解“抓取”“移动”或“操作”的共同结构，再将其映射到具体机器人的关节和控制空间。

实验覆盖仿真、真实环境以及未见过的机器人本体。在LIBERO-Plus和RoboTwin 2.0上，VLAct的成功率分别达到82.6%和92.5%，并超过摘要中列出的工业VLA系统ABot-M0与LingBot-VLA。在RoboDojo上，它按成功率位列所有策略第六，并超过其中明确标注为世界动作模型的参赛方法。更值得关注的是，在未见的人形机器人本体RoboCasa-GR1上，VLAct仅使用20%的下游轨迹，就超过了使用完整数据训练的GR00T-N1.6基线。

这些结果不意味着数据规模不再重要，而是说明在固定数据预算下，预训练表示质量可能成为独立的性能杠杆。项目还开放了数据、模型以及完整训练和微调流程，完整继续预训练只需16张GPU。对研究者而言，这降低了复现实验和开展跨本体研究的门槛；对整个VLA领域而言，它把竞争重点从“谁拥有更多轨迹”进一步拓展到“谁能更有效地组织和共享动作知识”。

不过，现有材料主要呈现总体结果与方法概览，尚不足以据此判断各个组件的独立贡献、数据配比或在更多真实部署条件下的稳定性。VLAct更适合作为表示中心化VLA训练方向的有力信号，而不是对所有机器人任务的普遍保证。

来源：Hugging Face Daily Papers