ICLR 2026揭示VLA八大技术趋势：从架构革新到评测演进，全面解析视觉-语言-动作融合前沿

在人工智能领域，视觉-语言-动作模型正以前所未有的速度重塑机器人研究的格局。ICLR 2026会议数据显示，VLA相关投稿量从去年的个位数飙升至164篇，实现了18倍的惊人增长。这股热潮背后，是让机器人“听懂人话、看懂世界、动手干活”这一愿景的逐步实现。然而，在这片繁荣景象之下，我们需要深入探讨：当我们谈论VLA的进步时，我们究竟在谈论什么？

首先必须明确VLA的概念边界。学术界对此尚无统一定义，但研究员Moritz Reuss在其综述中提出了一个关键标准：一个模型必须使用经过大规模、互联网级别的视觉-语言数据预训练过的骨干，才能被称为VLA。这一定义强调模型能力的来源——VLA必须具备通过图文预训练习得的语言理解、视觉泛化和任务迁移能力。代表模型如Google的PaLI-X，或开源项目Llava、Florence-2等。

与之形成对比的是“多模态策略”，这类模型只是简单地将独立的视觉编码器和文本编码器拼在一起，缺乏深度融合。另一个相关概念是丰田研究院提出的“大型行为模型”，指在“大规模、多任务的机器人演示数据”上训练出的策略。可以这样理解：VLA强调的是“基因”，即必须继承自一个强大的视觉语言模型；LBM强调的是“养料”，即必须用海量的机器人操作数据进行训练。一个在大量机器人数据上微调的VLA，同时也是一个LBM，但一个LBM不一定是一个VLA。明确这些边界，有助于我们理解不同技术路线的侧重与演进方向。

透过ICLR 2026的投稿趋势，我们可以梳理出VLA领域的八大技术发展方向：

趋势一：VLA的高效架构新范式。今年最引人注目的架构创新当属离散扩散模型。传统的自回归模型必须顺序生成动作单元，而离散扩散模型可以并行化地一次性生成整个动作序列。这带来了显著的优势：减少前向传播次数，提高推理效率；同时支持思维与动作的融合生成，即可并行生成动作与推理过程，实现具身思维链。本次ICLR上涌现的《DISCRETE DIFFUSION VLA》《dVLA》等多篇论文，在LIBERO评测中取得了近乎饱和的表现，验证了这一架构的潜力。

趋势二：具身思维链让机器人先想后做。让机器人更聪明，光靠模仿是不够的，它还需要学会“思考”。具身思维链正是这一思路的集中体现，其核心思想是在生成动作前，先生成一系列中间推理步骤，使机器人具备更强的计划与解释能力。这些步骤可以包括文本规划、视觉感知和轨迹构图。这种“先想后做”的模式不仅提升了可解释性，也显著增强了在复杂场景中的泛化能力。然而，ECoT对高质量标注数据的依赖较大，而这类数据目前仍较稀缺。ICLR中的《ACTIONS AS LANGUAGE》《EMBODIED-R1》等论文，通过推理-动作解耦和多阶段训练流程，在SIMPLER等评测中表现突出。

趋势三：动作分词器让动作可语言化。VLA的一个核心难点是如何将连续、高频的机器人动作转换为视觉语言模型能理解的离散“词汇”。动作分词器正是连接VLM“大脑”与机器人“身体”的桥梁。今年的新进展包括FASTer Tokenizer，它结合残差矢量量化，在压缩率与动作连续性间取得平衡；以及OmniSAT，借助B样条曲线对动作建模，实现更紧凑的表达。这些方法在LIBERO和SIMPLER评测中提升了精度与稳定性，为语言模型驱动的机器人控制奠定了坚实基础。

趋势四：强化学习打通最后一公里。模仿学习虽可快速习得基础操作，但在极端场景下表现仍有限。因此，强化学习重新登场，作为VLA策略的微调利器。今年的代表技术包括残差RL，在冻结VLA策略上叠加一个轻量“残差策略”，实现关键时刻干预与优化；以及阶段感知RL，将复杂任务拆分成语义阶段，进行分阶段奖励与策略训练。代表作如《SELF-IMPROVING… VIA RESIDUAL RL》《PROGRESSIVE STAGE-AWARE…》在LIBERO和SIMPLER上分别取得了99%和98%的成功率，展示了RL在提升VLA性能方面的关键作用。

趋势五：效率优化让VLA走向平民化。VLA模型庞大、成本高昂，令许多中小实验室望而却步。因此效率优化成为研究重点。典型代表有两大方向：推理效率方面，如HyperVLA采用超网络机制，动态生成轻量策略网络；显存占用方面，如AutoQVLA采用智能量化，压缩模型体积同时保持性能。这些方法大幅降低了硬件门槛，让更多研究者能够参与VLA研究，促进了领域的民主化发展。

趋势六：视频预测赋予VLA物理直觉。视频生成模型天然理解时序动态和物理规律，这对于机器人控制是极强的先验知识。这个方向主要有两种思路：一是在VLM基础上增加未来帧预测任务；二是从视频生成大模型出发，微调使其具备动作生成能力。例如《COSMOS POLICY》就成功将一个视频基础模型微调用于机器人控制，并在真实世界中与Pi-0.5等前沿模型进行了对比。这些工作表明，赋予VLA“想象”未来的能力，能有效提升其对物理世界的理解。

趋势七：更真实的评测基准。随着VLA技术的快速发展，现有评测集已近饱和，难以区分不同模型的性能差异。为此，社区正在积极开发新的评测方式，包括更复杂的多任务场景、更具挑战性的真实世界环境模拟，以及引入人类主观评价指标。这些新的评测基准将更准确地反映VLA在实际应用中的表现，推动技术向实用化方向发展。

趋势八：跨模态对齐的深度优化。VLA的核心挑战在于视觉、语言和动作三个模态的深度对齐。今年的研究在跨模态注意力机制、共享表示学习和多任务联合训练等方面取得了新进展。通过更精细的模态交互设计，VLA能够更好地理解复杂指令，生成更精确的动作序列，在开放世界任务中展现出更强的适应性。

综上所述，VLA领域正经历从理论探索到实际应用的关键转型期。八大趋势相互交织，共同推动着机器人智能的边界不断扩展。从架构创新到评测演进，从效率优化到物理直觉增强，VLA正在为通用机器人智能的实现铺平道路。未来，随着技术的进一步成熟和应用的深入，VLA有望在工业自动化、家庭服务、医疗辅助等多个领域发挥变革性作用，真正实现机器人与人类世界的无缝交互。

— 图片补充 —