VLA Grounder：面向黑盒 VLA 模型的语言条件空间优化

VLA Grounder: Language-Conditioning Space Optimization for Black-Box VLA Models

AI 导读

研究者提出 VLA Grounder，一种语言条件空间策略，将人类指令转换为简短的 VLA 可执行命令，利用物体外观、空间关系和目标定位线索，通过稀疏任务完成奖励的强化学习优化，下游 VLA 保持完全冻结。在 RL4VLA 和 VL-Think 上的实验表明，语言条件空间优化提升了指令敏感、符号化及多物体操作任务的成功率，说明语言可作为机器人基础模型的可优化变量。

正文 · AI 翻译

查看 PDF HTML（实验性）

摘要：视觉-语言-动作（VLA）模型通常被视为以自然语言任务描述为条件的端到端动作策略。然而在实践中，它们的行为往往严重依赖于指令的表述方式，这表明语言不仅仅是任务标签，而是一种可优化的条件输入。我们研究是否可以通过优化语言空间而非更新动作权重来改进冻结的 VLA 策略。我们的方法引入了一种语言条件空间策略，利用物体外观、空间关系和目标定位线索，将人类指令转换为简短的、基于 VLA 的命令。该语言条件空间策略通过稀疏任务完成奖励的强化学习进行优化，而下游 VLA 保持完全冻结。在 RL4VLA 和 VL-Think 上的实验表明，语言条件空间优化提升了对指令敏感、符号化以及多物体操作任务的成功率，证明语言可以作为机器人基础模型的可优化变量。
网站：this https URL

学科：	人工智能（cs.AI）
引用为：	arXiv:2607.04517 [cs.AI]
	（或使用 arXiv:2607.04517v2 [cs.AI] 查看此版本）
	https://doi.org/10.48550/arXiv.2607.04517 由 DataCite 颁发的 arXiv DOI

提交历史

来自：Aleksei Staroverov [查看邮箱]
[v1] 2026年7月5日星期日 21:41:25 UTC（4,408 KB）
[v2] 2026年10月7日星期三 19:59:37 UTC（8,278 KB）

来源：arXiv cs.AI · arxiv.org