标签
HandsOn 是一个跨具身灵巧操作仿真平台与基准，涵盖 5 种机械臂、6 种灵巧手及约 200 个资产，并提供 18,000 条人类演示与 66 项任务。评测显示，当前多任务策略与基于基础模型的控制之间存在巨大差距，最佳多任务策略在 Core-50 上成功率仅为 29.1%。
BiDex-100 推出了一个用于双手灵巧操作的仿真基准，包含涵盖五个能力维度的 106 项任务、域外鲁棒性变体以及 8,080 条经过验证的示范数据，并在统一协议下评估了七种视觉-语言-动作模型。
VLA-Rolling 是一个轻量级推理框架，通过自适应去噪预算复用流匹配 VLA 模型中被丢弃的动作尾部，在 LIBERO、MetaWorld、LIBERO-Plus 和 RoboTwin 2.0 上的 16 组模型-基准组合中，实现了最高 1.48 倍的加速和最高 15.08 个百分点的成功率提升。
Kyutai Labs 推出 REKI，一个完全基于公开数据预训练的 2.4B 视觉-语言-动作模型，在性能与模型规模之间开创了新的帕累托前沿。该模型设计简洁，在动作专家模块中使用了寄存器词元记忆机制。完整代码、数据整理流程以及所有预训练/微调权重均已开源发布。
RoboHarness 提出一种简单的机器人控制框架，让大语言模型编码代理通过视觉-几何控制接口执行具身操作任务，在 BEHAVIOR Challenge 2025 任务上超越了最先进的视觉-语言-动作模型，实现已开源。
Chef Robotics 训练其食品组装机器人背后的 Vision-Language-Action 模型速度提升 10 倍，在 16 块 A100 上实现 92% 的多 GPU 扩展效率，依托 Anyscale 与 Ray 平台加速分布式训练。
LIBERO-Industry 是基于 LIBERO 构建的基准，将工业工艺约束（如产品变体、传送带速度、执行窗口和几何公差）转化为 216 个可控的机器人学习任务，在接近真实的多品种、小批量生产条件下评估五种通用机器人策略。
CarryOn 提出一个双循环框架，在冻结的视觉-语言-动作（VLA）策略之上加入持久化的个性化规划与执行监督，显著降低安全违规率并提升故障恢复成功率。
VLA-Δ 提出一个通用框架，通过显式监督当前与未来观测之间的物理状态转变来改进机器人控制，在 LIBERO、RoboTwin 及真实机器人实验上取得与最先进方法竞争的性能，且不增加推理开销。
MorphAct 提出一种上下文参数化框架，通过两个耦合的低秩生成器动态调整机器人策略参数，缓解不同交互上下文中相互冲突的参数更新，在 LIBERO、Meta-World 及真实机器人实验中相比多个 VLA 骨干网络最高提升 16.30%。
该论文提供了关于「智能体机器人」（agentic robots）的统一综述，将现有研究组织为模型、数据、环境和评测（Harness）四大功能领域的17个类别，并探讨了从机器人策略到智能体系统的演进及未来开放挑战。
G³VLA 通过光线嵌入、投影位置编码和跨视角融合，将标定的多相机几何结构注入预训练视觉-语言-动作模型，在不改变动作空间的情况下提升机器人操作的几何一致性与视角鲁棒性。
SafeDriveVLA 提出首个同时评估导航遵循与冲突感知的基准，并通过导航条件化世界模型的梦境模拟与三级导航合规模式预测，提升端到端自动驾驶视觉-语言-动作模型（VLA）在与安全要求冲突的指令下的鲁棒性，在 Bench2Drive 上达到 88.16 的驾驶分数。
提出了Orchestra，一种将任务规划与执行管理同动作生成分离的机器人智能体框架，用于执行多步多模态指令的长时程操作，并发布了基准RMBench-Compose。Orchestra在多个基准和真实世界多步任务上显著超越Mem-0和HarnessVLA等基线。
TacitVLA 提出一种无需在行动前生成推理文本的视觉-语言-动作模型，动作专家不关注其生成的推理内容，仅依靠推理监督改进骨干表示，在四个基准上以最高 3.4 倍更低延迟匹配显式推理模型的性能，并在 RoboMME 和 RMBench 上超越此前最佳结果。
WAVE-0 提出一个轻量级潜在世界模型，将 VLA 策略与世界动作模型（WAM）结合，使预测的动作后果直接引导动作生成，在 RoboTwin2.0 和 LIBERO 系列基准上取得 91.47%/98.7% 的成功率，并将 π0.5 的真实任务成功率从 38.3% 提升至 73.3%。
OGPO 框架通过语义关键状态重标注和目标条件过程奖励，将视觉-语言-动作模型的后训练从轨迹级模仿转向关键状态可达性学习，从而提升机器人操作策略在偏离演示轨迹时的恢复能力。实验在 LIBERO 和 MetaWorld 上超越标准监督微调，并在 LIBERO-Plus 及新提出的 LIBERO-ReAct 基准中展现出更强的分布偏移鲁棒性。
AUGUstus 提出了一种统一生成与理解的自动驾驶视觉-语言-动作（VLA）模型，将基于扩散的动作生成与自回归思维链理解融合于单一模型，在 NAVSIM v1/v2 与 nuScenes 上达到 SOTA，并已在实车上以 12Hz 部署验证。
本文提出层级子任务执行（HSE）框架与 RoboCombine 基准，研究具身操作中技能重组的组合泛化极限，指出失败源于「起始状态差距」，并提出 PRTI 轻量后训练策略以提升跨子任务边界的执行成功率。
SpikingVLA 提出了一种 ANN 到 SNN 的转换框架，采用树突脉冲发放（Dendritic Integrate-and-Fire）神经元和异步执行机制，实现低功耗、低延迟的脉冲 VLA 推理，相比现有脉冲 VLA 方法，导航成功率显著提升，首次动作延迟降低至原来的 1/11.2。