VLA 动作生成可简化为单步

VLA 动作生成用标准 Flow Matching 即可实现单步生成。

资讯摘要

论文提出，视觉-语言-动作模型（VLA）的动作生成与图像生成不同：仅将训练时间步分布偏向噪声端点，即可在 LIBERO、LIBERO-Plus、LIBERO-Pro 及真实机器人任务上得到较强的单步策略；对多种架构的开源 VLA，把迭代解码换成单次前向，在 LIBERO、CALVIN、SimplerEnv 上常与原多步解码相当。作者用 Flow Matching 的不可约速度损失和生成映射雅可比最大奇异值解释这一差异。

要点速读

1. 仅调整训练时间步分布偏向噪声端点，即可获得较强的单步 VLA 策略，覆盖 LIBERO 系列与真实机器人任务。
2. 对多种架构的开源 VLA，单次前向替代迭代解码在 LIBERO、CALVIN、SimplerEnv 上常与原多步解码表现相当。
3. 作者以 Flow Matching 的不可约速度损失 Rᵥ(t,c) 及生成映射雅可比最大奇异值解释 VLA 与图像生成的差异，并公开代码与训练配置。

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 2026/10/23 08:00:11（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。