ICLR最火赛道VLA综述一文搞懂VLA
要想了解VLA（Vision-Language-Action，视觉-语言-动作），看这篇综述就够了。
ICLR2026上，VLA（Vision-Language-Action，视觉-语言-动作）研究投稿暴涨到164篇，是前一年的18倍。
光从这点就能看出，AI圈机器人听懂语言、看懂世界、做出动作的兴趣越来越大。
有人用实战的角度总结了这届ICLR上VLA方向的热点、趋势和挑战，适合对VLA方向感兴趣的人快速扫盲。（作者Moritz Reuss）
文章包含以下重点：
1）VLA怎么定义还没定论
作者主张一个更严格的标准：要用了大规模视觉-语言数据做预训练的模型，才能算VLA，否则只能叫“多模态策略（Multimodal Policies）”。
这个标准强调模型要具备语言泛化能力和跨任务迁移能力。
2）扩展能力大爆发，但评测失真
很多论文都在跑主流仿真环境（LIBERO、CALVIN、SIMPLER），但作者指出，这些测试集已经“天花板化”，小数点后浮动没啥意义。如今LIBERO基本被“打穿”，测试集设计也偏离终身学习的初衷。
评测数据集中同质化+只看仿真，掩盖了模型真实在现实场景下的差距。
3）最火研究方向：离散扩散模型（Discrete Diffusion）
好处是生成动作序列更快、更并行，还能自然融合“多模态推理”（比如结合画面、文字、动作来做推理），也解决了之前ECoT模型慢的问题。
作者列出四篇新论文都在做这个方向，效果都很好，LIBERO几乎刷满。
4）推理能力成下个突破口
ECoT（Embodied Chain-of-Thought）这类让机器人“想一想再动”的方式越来越多。但也暴露出训练慢、对数据依赖大等问题，特别是缺乏复杂、多样性的真实环境数据集。
推理加入之后，模型更容易泛化，也更能解释为什么做出某个动作。
5）动作编码更聪明
如何把复杂的物理动作转成能被VLM理解的“token”？
今年有不少论文提出了新型离散动作tokenizer，比如FASTer、OmniSAT等，兼顾压缩率、顺滑度、时域信息，目标是尽可能用“VLM的语言”去描述机器人动作，这样预训练才有意义。
6）高效化趋势明显
中小型实验室，算力有限，对模型“压缩训练成本”特别感兴趣。
比如用超网络只激活当前任务相关模块（HyperVLA）、用量化方法降低显存占用（AutoQVLA）等。
7）强化学习回归主流
为了解决“70%成功率到99%”这个现实差距，不少论文重新引入RL作为精调手段，代表作包括ResidualRL做数据增强、Stage-aware策略按阶段打分等。
8）视频预测结合VLA
视频模型能理解时序、物理世界，对机器人来说是很强的先验。
今年也有不少将视频生成模型变成VLA骨干的尝试，比如DisentangledRobot、CosmosPolicy等。
9）跨动作空间的统一学习挑战重重
大多数模型只在一个动作空间训练（比如机械臂）。跨设备泛化很少见。
今年有些论文尝试用软prompt、统一视觉运动编码等方式处理这个问题，但距离DeepMind这类机构的成果还有明显差距。
10）评测体系亟需改进
目前几乎所有仿真环境都不能反映VLA模型的真实泛化能力。作者建议未来更看重：
- 零样本、开世界任务评测（如RoboArena）
- 更开放的数据集和训练代码（参考PI的OpenPI项目）
- 分享“失败的预训练方法”，别只报喜不报忧
作者也点出两个被忽视但很重要的方向：
- 数据质量问题严重：大多数模型训练用的模仿学习数据质量不高，标注噪声、动作不清晰，但社区缺少好工具去量化数据质量
- In-context Learning太少：虽然VLM/LLM都在玩上下文学习，VLA却几乎没人做，而这恰恰可能是实现更强泛化的关键
VLA正在成为AI机器人领域最热赛道之一，从离散扩散、推理链、动作tokenizer，到跨设备泛化，都在快速进化。
但也别被benchmark的分数冲昏头脑，真正的难点在于：模型如何在混乱、真实、未见的环境中“指令即动作”。
原文地址：mbreuss.github.io/blog_post_iclr_26_vla.html
