CLAP用语言描述前置动作序列，让预训练VLM低成本转为VLA。
资讯摘要
论文提出CLAP（Causal Language-Action Prediction），在不改动VLM主干架构的前提下，为每段数值动作序列前置一句自然语言动作描述，使动作token预测以语言-动作计划为因果条件，从而缓解直接输出动作序列造成的分布偏移。作者报告，2B模型仅训练4-5小时即在LIBERO上达到90.8%（较VLA-0提升14.9个百分点），并在真实UR5e机器人上取得60%成功率（VLA-0为15%）。团队以0.8B、2B、4B三个规模开源发布该紧凑VLA系列。
要点速读
- 方法核心：在动作序列前加入自然语言动作描述，以语言-动作计划因果约束动作token预测，不修改主干架构。
- 作者报告2B CLAP在LIBERO上达90.8%，比VLA-0高14.9个百分点，并在LIBERO-PRO的语言、物体、空间扰动下更稳健。
- 真实UR5e机器人上2B CLAP成功率60%，匹配设置的VLA-0为15%；CLAP以0.8B、2B、4B开源发布。
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 2026/11/5 08:00:38（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。