#VLA模型 (2)

分组误差而非总MSE：面向11自由度移动操作VLA模型的微调

为具有异构关节空间的移动操作机器人微调视觉-语言-动作（VLA）模型会产生一个反直觉的结果：总 MSE 最低的检查点并非在真实机器人上表现最好的。我们认为这是将异构关节组（臂、夹爪、头、轮式基座）折叠为单一指标的可预见后果，其中容易预测的关节可能掩盖仍然失败的关节。我们在 11 自由度丰田 HSR 上微调 SmolVLA（450M，仅动作专家），并与更强的预训练基线 π₀.₅（3.3B）进行比较。分组分析揭示了两种模式：在 SmolVLA 中，移动基座收敛最慢并限制了整体性能。在 π₀.₅ 的仅专家微调中（仅训练动作头，骨干网络冻结），总 MSE 降至基线以下但臂精度下降。在 60 次真实机器人试验中（每个模型 20 次），π₀.₅ 80k（4.0/4）显著优于两个微调变体，尽管仅专家 3k 具有最低的总 MSE。我们得出结论，对于具有异构动作空间的机器人，分组误差比总 MSE 是更可靠的检查点选择信号。