VGAS：基于价值引导的少样本视觉-语言-动作适应动作块选择

视觉-语言-动作（VLA）模型将多模态推理与物理控制相结合，但在 demonstrations 稀缺时将其适应到新任务往往不可靠。虽然微调后的 VLA 策略常产生语义上合理的轨迹，但在几何模糊性未解时常会失败，近似动作会在有限监督下导致执行结果分歧。我们从生成-选择视角研究少样本 VLA 适应，提出新框架 VGAS（Value-Guided Action-Chunk Selection）。它执行推理时的 best-of-N 选择，以识别既语义忠实又几何精确的动作块。具体而言，VGAS 使用微调后的 VLA 作为高召回率的提议生成器，引入 Q-Chunk-Former—a 基于几何的 Transformer 批评家以解决细粒度几何模糊性。此外，我们提出显式几何正则化（EGR），以塑造判别性价值景观，保留在接近候选者之间保持动作排序分辨率，同时缓解稀缺监督下的价值不稳定性。实验和理论分析表明，VGAS 在有限 demonstrations 和分布迁移下显著提升成功率和鲁棒性。我们的代码已公开：https://github.com/Jyugo-15/VGAS。