VLA 模型的可泛化性比你想象的更强：重新审视物理与空间建模
机器人学
2026-04-01 v2 人工智能
机器学习
摘要
视觉-语言-动作（VLA）模型在分布内表现出强大的性能，但在新相机视角和视觉扰动下性能迅速下降。我们指出，这种脆弱性主要源于空间建模（Spatial Modeling）而非物理建模（Physical Modeling）中的不匹配。为此，我们提出了一种单次适应框架，通过轻量级可学习更新来校准视觉表征。我们首先的方法是特征标记调制（Feature Token Modulation, FTM），它对视觉标记应用全局仿射变换，将 Libero 视角准确率从 48.5% 提升至 87.1%，仅需 4K 参数。建立在此基础上，特征线性适应（Feature Linear Adaptation, FLA）为 ViT 编码器引入低秩更新，在仅 4.7M 参数下实现 90.8% 的成功率——在成本远低于 LoRA 规模微调的情况下，达到相似的性能。这些结果揭示了预训练 VLA 模型中潜在的大量鲁棒性，表明针对性的、最小化的视觉适应足以恢复视角泛化能力。
引用
@article{arxiv.2512.02902,
title = {VLA Models Are More Generalizable Than You Think: Revisiting Physical and Spatial Modeling},
author = {Weiqi Li and Quande Zhang and Ruifeng Zhai and Liang Lin and Guangrun Wang},
journal= {arXiv preprint arXiv:2512.02902},
year = {2026}
}