Harness VLA：用记忆引导的智能体把冻结 VLA 驾驭成可靠的操作原语
语言条件操作既需要精确的富接触控制，也需要对语言、场景和长时程的稳健推理。端到端视觉-语言-动作（VLA）模型提供强大的局部视觉运动技能，但它们是在分布内任务轨迹上训练的，在语义重定向、目标重绑定、空间布局偏移和局部接触不稳定等部署扰动下常常失效。LLM 编码智能体提供互补的语义与组合推理，但纯解析原语在不规则抓取、受限放置和铰接物体交互上表现很差。本文提出 Harness VLA，一个记忆增强的智能体框架：它把一个冻结的 VLA 暴露为可重试的富接触原语，并与一个小型固定的解析原语库组合，用于接地、暂存、搬运、导航和释放。框架不去扩大技能库，而是从任务特异的执行轨迹、全局成功规则和失败模型中学习这些固定原语的工作范围。通过把语义重接地、非接触执行和 VLA 重暂存上提到规划器，同时把冻结 VLA 留给局部富接触阶段，Harness VLA 在不微调的前提下把预训练 VLA 扩展到其原始轨迹分布之外。在被扰动的桌面操作、家庭厨房操作和 clean-to-randomized 双臂操作上，Harness VLA 在 LIBERO-Pro 和 RoboCasa365 上分别比最强相关基线高出 38.6 和 27.1 个百分点，并在 RoboTwin C2R 上达到 58.4%。代码开源于 https://github.com/RLinf/RPent 。
Yixian Zhang, Huanming Zhang, Feng Gao2026年7月9日
视觉语言动作模型机器人操控LLM智能体2026年7月9日
