VLANeXt：构建强型视觉-语言-动作模型的配方
计算机视觉与模式识别
2026-05-21 v2 人工智能
机器人学
摘要
跟随大型基础模型的崛起，视觉-语言-动作模型（VLA）应运而生，利用视觉-语言模型中的强大视觉与语言理解能力，实现通用目的的策略学习。然而，当前的VLA生态仍然十分碎片化和探索性。尽管许多团队提出了各自的VLA模型，但在训练协议和评估设置方面的不一致，使得难以确定哪些设计选择 truly 重要。为将其在不断演变的空间中建立结构，本文在统一框架和评估设置下重新审视VLA的设计空间。我们从一个类似RT-2的简单VLA基线开始（VLA的起源），系统性地剖析沿着三个维度的设计选择：基础组件、感知要素以及动作建模视角。通过这一研究，我们提炼出12项关键发现，共同构成构建强型VLA模型的实用配方。本次探索的结果是一个简单而有效的模型，VLANeXt。它在LIBERO和LIBERO-plus基准测试中超越了最先进的方法，并在实际实验中展现出强大的性能。我们发布了一个统一且易于使用的代码库，以复现我们的发现，探索设计空间，并在共享基础上开发新的VLA变体。代码库可在 https://github.com/DravenALG/VLANeXt 查看。
引用
@article{arxiv.2602.18532,
title = {VLANeXt: Recipes for Building Strong VLA Models},
author = {Xiao-Ming Wu and Bin Fan and Kang Liao and Jian-Jian Jiang and Runze Yang and Yihang Luo and Zhonghua Wu and Wei-Shi Zheng and Chen Change Loy},
journal= {arXiv preprint arXiv:2602.18532},
year = {2026}
}
备注
Accepted in ICML 2026, Project Page: https://dravenalg.github.io/VLANeXt/