论文

FlashVLA：流式动作解码实现快速异步 VLA 推理

视觉-语言-动作（VLA）模型在机器人操作领域前景广阔，但实际部署受制于高推理延迟与不稳定的异步执行——在基于流匹配（flow-matching）的 VLA 模型中尤为突出：动作解码需要在 VLM 上下文条件下进行多步迭代。高效推理方法能提升控制频率，异步方法能减少执行空等，但现有方案往往无法同时兼顾低延迟推理与精确、时序一致的异步执行。FlashVLA 提出一个统一的流式动作解码框架：维护一个包含多个不同噪声水平动作块的流式缓冲区，并用块级因果注意力（chunk-wise causal attention）解码，每个推理步即可产出一个可执行动作块；块级自回归结构隐式保持动作连续性，无需额外的未来状态条件即可平滑异步执行。大量仿真与真机实验表明，FlashVLA 在保持强任务性能的同时大幅提升推理速度，单 GPU 即可达到 ≥30Hz 控制频率并实现平滑异步真机部署。

VLAflow matching流式解码Zekai Li, Jiaming Tang, Zhijian Liu·2026年8月27日

StageWAM：面向机器人操作世界-动作模型的阶段联合嵌入预测

通用机器人策略旨在将多模态观测和语言任务指令映射为跨任务的动作。现有方法通常将未来表示为固定的短视频-动作块。本文区分了两种互补的未来：捕获局部场景演化的短期物理未来，以及表示任务进度的阶段级语义未来。提出StageWAM，在基于Motus的世界动作模型(WAM)上增加Stage-JEPA——一种目标条件联合嵌入预测架构。Stage-JEPA使用冻结的V-JEPA2编码器提取当前状态表示，预测下一推断阶段的潜在目标。在50个RoboTwin 2.0任务中，StageWAM实现90.25%总体成功率，成功回合平均执行步数较最强基线减少5.97%。

机器人操作世界模型JEPAXiao Liu, Yuguang Yang, Xi Wang·2026年8月11日

动作分块为何能提升机器人行为克隆性能？

通过仿真与真机实验证明：动作分块的收益并非来自时间一致性、视界缩减或表征学习，而是来自非马尔可夫表达能力、基于延迟观测降低复合误差，以及隐式集成效应；并据此提出随机延迟集成与显式集成策略，可在无需动作分块的情况下匹敌甚至超越其性能。

动作分块行为克隆机器人操作Filippo Lazzati, Kyle Stachowicz, William Chen·2026年8月3日

Ego2Robot：从第一人称人类视频合成可扩展机器人数据

将第一人称人类操作视频通过动作重定向、机械臂视觉合成、多级质量筛选转化为机器人训练数据，产出 18,561 小时跨 15 种机器人形态的数据，提升 VLA 模型 OOD 泛化，并在真机验证。

VLA机器人操作数据合成Ye Wang, Pei Lin, Xiong-Hui Chen·2026年8月3日

Patch Policy：利用稠密视觉表征的高效具身控制

Patch Policy 提出一种轻量 Transformer 策略架构，直接消费冻结预训练 ViT 的稠密 patch 特征，避免全局池化带来的空间信息损失，也不需要亿级参数 VLM 的推理开销。其核心是 block-causal 注意力掩码：帧内 patch 全注意力，帧间严格因果，从而兼容 VQ-BeT、Diffusion Policy 等标准策略头。实验表明，在四个仿真和三个真实操作任务中，Patch Policy 相对全局特征策略平均提升 40%，并超越微调 OpenVLA-OFT 约 18%，同时参数量仅为后者的约 0.7%。

Patch Policydense visual representationDINOv2Gaoyue Zhou, Zichen Jeff Cui, Ada Langford·2026年7月20日

通过物理代理解决通用机器人的编排鸿沟

通用机器人需要推理自身行为，融合感知、世界知识、规划、成功检测、恢复和底层控制。现有方法试图通过大规模预训练将所有能力融入学习策略。我们提出将这些能力分解为语言条件控制代理和高层编排器。Pigey编排器在推理时闭环运行：前沿VLM规划子目标、选择冻结后端执行、验证结果、失败时恢复。在LIBERO-PRO上提升4倍（12.8%→53.3%），在真实机器人上将冻结策略从近零提升到90%以上，无需额外数据采集或训练。

TwitterVLA机器人操作Liane Galanti, Dhruv Shah, Tri Dao·2026年7月23日

ViTacWorld:面向接触密集型机器人操作的视触觉世界模型

接触密集型机器人操作需要物理交互,ViTacWorld 扩展视触觉世界模型以支持此类操作。

世界模型World Model视触觉Yunao Huang, Shiyu Sang, Haotao Lu·2026年7月24日

策略性扩展:通过偏置感知评估和数据采集学习组合泛化

组合泛化对机器人执行多样指令至关重要。预训练策略已知会走捷径依赖显著线索而非语言基础。本文提出诊断框架定位组合泛化失败到个别指令因素,并通过偏置感知数据采集策略性扩展。

机器人操作组合泛化数据采集Yu Qi, Zhang Ye, Xinyi Xu·2026年7月23日

AXIS:面向可扩展机器人操作的可增长社区驱动数据引擎

学习有效机器人操作策略需要多样化高质量演示,但现有数据管道难以扩展,因为依赖专用硬件、集中操作员或固定任务套件。AXIS提出可增长社区驱动数据引擎和可扩展数据收集框架。

机器人操作数据引擎社区驱动Mengfei Zhao, Dihong Huang, Yikai Tang·2026年7月23日

PhysCoRe:面向材料感知可变形动力学的物理修正残差世界模型

预测可变形物体在机器人操作下的演化是长期挑战。现有方法依赖逐物体优化拟合材料参数,速度慢且无法泛化;端到端学习方法外推差且违反物理约束。PhysCoRe提出物理修正残差世界模型。

世界模型物理仿真可变形物体Haocheng Yin, Shuohan Tao, Yongsheng Chen·2026年7月22日