★ 4
智元发布 GO-3 Preview 等模型与 AHA3 架构，打通物理 AI 全链路
智元在创新日发布 GO-3 Preview 具身基座大模型、WITA-OMNI 原生多模态交互大模型、AGILE 运动智能框架，以及灵渠 OS 1.0 与 AHA3 第三代硬件架构，并提出 Worken 有效智能工时度量。CTO 彭志辉透露 2026 上半年营收近 20 亿元、机器人累计下线 2 …
36氪3 天前
#VLA
共 10 篇相关资讯，按重要度与时间排序，每 3 小时更新。
★ 3
FlashRT-PAI：物理 AI 推理快内核不等于快流水线
论文指出视觉-语言-动作、视频-动作与世界动作模型的实时单批推理瓶颈在系统级开销而非单个内核计算。作者提出 FlashRT-PAI 推理引擎，结合深度内核融合与启动重叠、执行契约、执行状态胶囊三种机制。在 RTX 5090 与 Jetson AGX Thor 上比官方编译路径快 1.3-3.7 倍…
arXiv cs.AI13 天前
★ 3
世界模型与VLA：如何让机器人拥有真正的具身大脑
文章探讨世界模型与VLA（视觉-语言-动作模型）在具身智能中的分工：VLA解决机器人"能干"的问题，世界模型解决"想清楚再干"的问题，二者结合让机器人从"看懂世界"进化到"预演下一步"，从而具备真正的具身大脑。
量子位17 天前
★ 3
魔法原子具身 Agent 框架登顶 MolmoSpaces 全球第一
魔法原子的具身智能 Agent 框架在 MolmoSpaces 评测中取得全球第一，推动 VLA 模型从演示可用向产线可用迈进。
量子位19 天前
★ 3
ConflictVLA-Bench：VLA 前提冲突行为基准
研究提出 ConflictVLA-Bench，评估视觉-语言-动作模型面对无效任务前提时的行为反应，不仅看结果还看执行过程。基准基于 LIBERO 构建 2826 个冲突任务，覆盖四类冲突。实验发现八个 VLA 模型在无效前提下目标完成率至少下降 17.3 个百分点，且普遍存在「失败仍坚持」现象。
arXiv cs.AI34 天前
★ 3
面向分块VLA模型的时频几何交叉注意力
视觉-语言-动作（VLA）策略通常一次前向预测整段动作，但动作块作为多变量轨迹，其频率结构与跨相位几何关系未被现有token表示充分建模。论文提出TFGCA模块，用可学习平稳小波变换分解动作块为时频token，并以融合点积与楔积幅值的交叉注意力检索信息。该模块可即插即用微调，在LIBERO、LIB…
arXiv cs.AI53 天前
★ 3
LayerRoute：动作条件化层路由接口
提出LayerRoute，一种动作条件化的表示路由接口，使视觉语言动作（VLA）策略能自适应访问VLM层和动作表示。通过层混合路由器和动作状态重读，动态组合缓存表示，在模拟和真实基准上一致提升StarVLA-π和π0.5性能，仅增加少量参数。
arXiv cs.AI54 天前
★ 2
轻量化异构双臂结合 VLA 与世界模型，家庭服务机器人落地实践
文章介绍家庭服务具身机器人的落地实践，采用轻量化异构双臂硬件方案，并结合视觉-语言-动作（VLA）模型与世界模型进行控制。方案聚焦真实家庭场景中的操作任务，探讨具身智能从实验室走向商用的路径。
InfoQ AI4 天前
★ 2
DIVA：面向视觉-语言-动作策略的双空间意图感知视觉衰减
论文提出 DIVA，一个双空间意图感知视觉衰减模块，采用「先锚定后衰减」设计，结合高层任务意图与低层视觉证据估计逐 patch 相关性，在骨干入口前重加权视觉 token 并在骨干内持续衰减低相关视觉状态。在 LIBERO 上，DIVA 将 OpenVLA-OFT 平均成功率从 96.6% 提升至…
arXiv cs.AI25 天前
★ 2
VLA 潜在接口的层级选择之谜
论文研究视觉-语言-动作（VLA）策略中，冻结主干网络应向动作头暴露哪些层的问题。在三个预训练模型与 LIBERO、CALVIN 两个操作基准上，54 种配置中有 47 种多层融合方案不如最佳单层策略。作者提出以 InfoNCE 分数作为层质量代理，选层所需 GPU 算力比穷举策略扫描少 9-33…
arXiv cs.AI33 天前