这篇的想法很直白：预训练时别只让 VLA 学“看到这个画面就出这个动作”，顺便让它预测接下来物体往哪挪、夹爪什么时候碰上东西，还有画面里的光流（每个像素往哪动）。到了微调和部署，这些辅助任务全扔掉，只留动作，推理不多花算力。

我主要看的是消融表。LIBERO 本身已经刷到 97、98 了，主表里各家挤在一起，看不出什么。

不用 query、不做预训练是 95.70，加上 query 到 96.25。同样的数据只拿动作做预训练，96.45，基本没动。在这个基础上单独加差异文本、结构化槽位、光流，分别是 97.20、96.90、97.35，三样一起上是 98.40。

作者想说的是数据本身帮助不大，涨点来自这三种监督。这个逻辑我认。可整张表从头到尾也就差 2.7 个点，单项之间只差零点几，文中没写跑了几个种子，LIBERO 一共才 40 个任务，零点几个点到底能不能算数，我心里没底。

还有一处我没想通。三样单独加，各涨不到一个点，合起来却比单项里分数高的光流（97.35）又多出一个点。光流和槽位明明都在管夹爪往哪走，监督有不少重叠，这一个点是从哪来的？

论文：https://arxiv.org/pdf/2610.21306
代码：https://github.com/ZJU-OmniAI/VLA-Delta

#机器人马拉松 #具身智能 #论文 #人工智能 #深度学习