具身智能RESEARCH BRIEF

VLAct

在固定机器人数据预算下，把表示学得更好

StarVLA · Senqiao Yang 等发布于 2026.08.27

代码 + 权重

IN A NUTSHELL

保护 VLM 已有知识，用多个动作头共同监督，并只统一物理意义相容的动作维度，训练更可迁移的机器人底座。研究强调固定数据与微调预算下的表示质量，而不只是扩充采集量。

方法与关键变化

继续预训练时冻结视觉编码器和语言模型下半层，辅以图文监督；OFT、PI、GR00T 三类动作头共享骨干，随后丢弃这些头，在下游任务上重新初始化动作头。

跨本体表示只合并物理语义可对应的维度，其余保留独立槽位，并对周期关节等特殊维度处理损失。下游微调再解冻完整模型。

作者报告 LIBERO-Plus 总成功率 82.6%；RoboCasa-GR1 用 20% 下游微调数据取得 49.5%，对照所列全量数据 GR00T-N1.6 为 47.6%。这些是作者协议下的结果，后者是迁移加微调，不是零样本部署。

官方仓库提供训练流程，Hugging Face 已包含预训练检查点。下游模型、底座及数据各自的许可需分别保留。

LICENSE代码：MIT；预训练检查点模型卡：Apache-2.0

独立分析 · 未复现实验

让预训练骨干不绑定单一动作头，有机会提升同一批轨迹的复用价值。其最有意义的承诺，是换控制范式后仍能继承有效表示，而非预训练任务本身得高分。

下游微调收益可能同时来自数据、骨干初始化和训练预算，不宜全部归因于多头设计。少量真实 rollout 的方差较大，也不能说明连续部署可靠。

我倾向于优先复现其低数据适配收益，并要求固定预算对照。若优势只在特定动作头成立，“通用骨干”的表述就应收窄。

固定骨干规模、轨迹数和优化步数，对照单头/多头预训练，换两种下游动作头并多随机种子重复；同时报告每任务分布与真实执行的置信区间。