奖励引导扩散采样在采样时用价值函数的梯度把生成结果推向奖励模型偏好的图像或动作，但一步去噪估计和学到的价值模型这两类梯度估计在高噪声、也就是样本粗结构被决定的阶段最不准。VaLoP把价值评估挪到采样器前进一步、不确定性更小的前瞻状态，再用一次向量-雅可比积把梯度拉回当前状态；在SD3.5-Medium、SD3.5-Large和FLUX.1-dev三种生成器、三种奖励上，VaLoP与摊销版VaLoP-Fast的目标奖励都稳定高于StitchVM和DPS，VaLoP-Fast在LIBERO与RoboCasa上取得最高成功率。
视觉-语言-动作（VLA）策略一次查询生成一串动作，但执行多长才安全此前只能靠生成稳定性或预测一致性间接判断。PAV改为在策略自身的任务条件表示空间里预测候选前缀执行后的未来状态，并用轨迹级成败结果训练一个验证器，给出该前缀能否继续完成任务的概率。在LIBERO四个套件上，PAV平均成功率94.65%、平均每回合14.0次策略查询，高于不做未来预测的直接验证（84.55%、22.3次）和改用DINOv2特征预测的版本（87.00%、22.2次）。
冻结的π0.5策略加装一个本地CALL头，只在关键恢复时刻呼叫GPT-6 Astra，在200个LIBERO回合上把成功率从95.5%提到97.5%，同时把Astra的介入限制在少数环境步上。
预训练视觉语言模型不必先学机器人动作，把以工具中心点为中心的动作坐标系投影进腕部相机画面并用文本接口输出动作后，27B模型零样本在简单操作任务上平均成功率79.4%，接近用约30条演示微调过的VLA模型。
SmolWAM把2B参数的Cosmos Policy视频世界动作模型压到0.88B，在LIBERO的400个回合里成功率95.5%，每16动作块57毫秒、2.3 TFLOP、2.4 GiB显存，比教师快11倍，同时仍能预测场景运动。
CAPABLE 提出一种面向冻结视觉-语言-动作策略的能力感知适配框架：它用跨关节共享的时序编码器从指令-响应历史与实时雅可比推断每个关节还能实现多少指令运动，并以自监督物理预测约束该表示，再通过有界残差强化学习修正 VLA 的机械臂动作，无需故障标签或故障关节标识；在 28 个 LIBERO 任务上，未参与故障训练的关节成功率由 24.8% 提升至 59.3%，比参数量匹配的全局历史基线高 17.4 个百分点，并保持健康性能。
该工作刻画了视觉-语言-动作模型（VLA）对指令措辞的敏感性：单词级编辑可使成功率相差数十个百分点，且仅靠措辞就能填补分布内与分布外任务之间21个百分点的差距；作者用大语言模型把少量训练任务的多种措辞评分蒸馏为10至20条改写规则，部署时对每条指令改写一次，在不改动策略权重的情况下使冻结模型在12个留出任务上相对提升16%至27%，并在LIBERO上把微调内成功率从93.6%提升到97.8%。
该工作提出一种基于狄利克雷过程混合的贝叶斯非参数技能先验，在结构化潜空间中建模时序延展技能，无需预设组件数量即可自适应发现技能，并将其嵌入分层强化学习框架，由学习到的先验指导高层技能选择、由预训练解码器生成时序抽象动作；在Franka Kitchen、LIBERO-Long、Meta-World和一台真实机器人上，长时程操作取得一致提升，1.5M步内成功率超过0.8，而SAC即使训练5M步也未收敛（低于0.1），相对单高斯先验基线平均提升21.8%。
Rolling-WAM 提出一种滚动式世界动作模型：在滑动窗口内维持处于不同噪声水平的视频-动作块，每个重规划周期只把即将执行的动作块完全去噪、同时部分精修更远的未来块，从而把联合去噪计算分摊到多个控制周期；在 LIBERO、RoboTwin 2.0 与 Unitree G1 真机人形任务上取得有竞争力的操作成功率，并相对标准联合 WAM 实现 4.5 倍稳态重规划加速。
已读完全部报道