VLA模型

在具身智能的发展中，视觉-语言-动作模型已成为通用操作任务的核心框架。然而，面对长程规划、柔性物体操作、精细双臂协同及动态交互等复杂场景时，VLA模型仍面临两大根本性挑战： 模仿学习在推理过程中产生的长序列误差累积问题； 真机强化学习成本高昂，难以规模化部署。 针对这些挑战，香港大学李弘扬老师带领的OpenDriveLab团队近期提出了RISE方法。其核心思…

现有视觉-语言-动作模型的研究和基准测试多集中于家庭场景，缺乏对专业科学场景的适配。生物实验室具有实验流程结构化、操作精度要求高、多模态交互复杂等特点，是评估VLA模型精准操作、视觉推理和指令遵循能力的理想场景。 近期，来自香港大学MMLAB与上海交通大学的研究团队提出了AutoBio，一个面向数字化生物实验室的机器人仿真系统与基准测试平台。该工作已被ICL…

当物体在滚动、滑动、被撞飞，机器人还在执行几百毫秒前的动作预测。 对动态世界而言，这种延迟，往往意味着失败。 在过去几年中，视觉-语言-动作（Vision-Language-Action，VLA）模型已成为机器人领域的焦点。这类模型能够“看懂”画面、“理解”语言指令，并直接输出连续动作，在静态抓取、摆放等桌面操作任务中取得了显著进展。 然而，一个长期被忽视的…

从3000小时到20000小时：真实数据验证Scaling Law 从3000小时到整整20000小时。 真实世界数据中的Scaling Law，直接催生了一个强大的VLA（视觉-语言-动作）基座模型！ 这就是蚂蚁灵波最新开源的具身智能基座模型——LingBot-VLA。 为何称其为当前最强？首先看数据。 仅从“20000小时”这个规模来看，LingBot-…

BeingBeyond团队 投稿 量子位 | 公众号 QbitAI 近年来爆火的具身智能领域长期面对着数据孤立导致的训练困境，一线厂商凭借高投入建立独属于自研型号机器的“数据护城河”，而小厂的资产规模直接反映在数据体量上，限制了其产品专用模型的训练。 BeingBeyond团队 近日发布的Being-H0.5有望改变这一局面。 Being-H0.5是目前训练…

在具身智能领域，视觉-语言-动作（VLA）模型正成为连接大语言模型与物理世界的关键桥梁。近期，Physical Intelligence发布的π*0.6论文与清华大学星动纪元团队的iRe-VLA研究，共同揭示了VLA模型通过在线强化学习实现自我改进的技术路径，标志着该领域从单纯模仿学习向自主探索的范式转变。 VLA模型的核心挑战在于如何将预训练的视觉-语言大…

实现通用机器人的类人灵巧操作能力，始终是机器人学领域最具挑战性的前沿课题。传统机器人系统在结构化环境中表现稳定，但面对复杂、非结构化的日常场景时，其操作灵活性、适应性和泛化能力严重不足。近年来，视觉-语言-动作（Vision-Language-Action，VLA）模型通过融合多模态感知与自然语言理解，为机器人技能学习开辟了新路径，展现出从单一任务执行向通用…

在具身智能迈向开放世界落地的进程中，长期制约其发展的核心瓶颈并非算法本身，而是高质量、大规模真实机器人交互数据的极度稀缺。真机数据采集成本高昂、周期漫长，且难以覆盖多样化的开放场景，严重限制了视觉语言动作（VLA）大模型的规模化训练与泛化能力。传统仿真方法虽能快速生成数据，却受限于显著的Sim-to-Real差距，难以支撑真实世界的鲁棒部署。世界模型（Wor…