arXiv cs.AI· Yitong Chen, Shiduo Zhang, Jingjing Gong, Xipeng Qiu·· 12 小时前AI 评分45
让生成更简单：VLA 模型的一步动作生成
Let It Be Simple: One-Step Action Generation for Vision-Language-Action Models
AI 导读
研究发现，仅将训练时间步分布偏向噪声端点，就能让 VLA 模型在 LIBERO、LIBERO-Plus、LIBERO-Pro 及真实机器人任务上获得强一步策略。
正文 · AI 翻译
摘要：在不进行蒸馏或采用专门的一步目标的情况下，从标准扩散或 Flow-Matching 训练中进行一步生成，对于文本到图像或视频生成而言很少有效。我们发现 VLA 动作生成的表现截然不同。仅将训练时间步分布偏向噪声端点，就能在 LIBERO、LIBERO-Plus、LIBERO-Pro 和真实世界机器人任务上获得强有力的一步策略。此外，对于具有不同架构的开源 VLA 模型，仅将迭代解码替换为单次前向传播，在 LIBERO、CALVIN 和 SimplerEnv 等基准上往往与原始多步解码表现相当。我们将这一差异归因于 VLA 生成的条件-目标结构，它更接近图像到文本而非文本到图像：丰富的观测对相对紧凑的目标形成了强约束。我们通过标准 Flow Matching 的不可约速度损失 $R_v(t,c)$ 将这一直觉形式化，对于 VLA，该损失在接近噪声端点时变得小得多，而图像生成模型通常呈现 U 形分布。学习到的生成映射所诱导的几何结构也表现出同样的对比：对于动作生成，该映射关于初始噪声的雅可比矩阵的最大奇异值远小于图像生成。综合来看，这些结果表明 VLA 的条件-目标结构使标准 Flow Matching 异常容易实现一步生成。本文的代码和训练配置可在 此 https URL 获取。
| 评论： | 23 页，18 幅图，15 张表 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI）；机器学习（cs.LG）；机器人学（cs.RO） |
| 引用为： | arXiv:2606.05737 [cs.CV] |
| （或本版本的 arXiv:2606.05737v3 [cs.CV]） | |
| https://doi.org/10.48550/arXiv.2606.05737 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Yitong Chen [查看邮箱]
[v1]
2026 年 6 月 4 日星期四 05:58:30 UTC（482 KB）
[v2]
2026 年 7 月 13 日星期一 05:29:03 UTC（1,959 KB）
[v3]
2026 年 10 月 21 日星期三 10:31:33 UTC（3,056 KB）
来源：arXiv cs.AI · arxiv.org