CalVLA让VLA策略自身置信度更好判别失败，但成功率略降。
资讯摘要
论文提出CalVLA，用成功与失败轨迹及Action-Confidence Alignment（ACal）平方边际排序损失，校准OpenVLA-7B的原生动作token置信度，通过低秩适配器更新，无需额外失败检测器。在LIBERO-10留出测试集上，适配后联合失败判别AUROC为0.7392±0.0480，同一置信度摘要从适配前0.4485升至0.7327；平均任务成功率由58%降至55%。作者报告失败判别改善，但未证明控制能力或安全性提升。
要点速读
- 方法用成功/失败轨迹和ACal平方边际排序损失校准原生动作token置信度，以低秩适配器更新OpenVLA-7B，不依赖辅助失败检测器。
- 在500个LIBERO-10配置的留出测试集上，适配后联合失败判别AUROC为0.7392±0.0480（三个种子，取130与260步平均）。
- 同一置信度摘要的AUROC从适配前0.4485升至0.7327，但平均任务成功率从58%降至55%。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/4 08:00:28（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。