搜索
过去几年，机器人操作领域几乎被一批新概念重新 “刷屏”。 LLM Planner、VLA、Diffusion Policy、Flow Matching、Latent Action、World Mode
今年5月，英伟达机器人负责人Jim Fan在一场公开演讲中宣告：VLA、遥操已死。
视觉 - 语言 - 动作模型（Vision-Language-Action Model，VLA）正在成为机器人操作的重要基础模型。经过少量示范微调后，VLA 已经能够完成抓取、放置、堆叠等多种任务。然而，一旦任务涉及精密接触、狭小容差或分布外位置，模型的成功率仍会明显下降。
S²-VLA 引入信念状态和自适应动态门控，仅用2B参数、7GB显存，长程操控超越7B模型。
周末在家刷社交平台，一个视频惊艳到我了。
在 action chunking 已成为 VLA 标配的今天，「一次执行多少步」几乎被所有工作当作一个固定的超参数。
视觉 - 语言 - 动作（VLA）模型已成为端到端自动驾驶的主流技术路线，但基于自回归（AR）解码的现有架构面临双重结构性瓶颈：其一，逐 Token 串行生成导致推理延迟随序列长度线性增长，严重制约实时部署；其二，训练阶段依赖真实前缀的 teacher forcing 机制，使模型在推理时暴露于自身生成的误差之上，引发长时序累积的曝光偏差（exposure bias）。
独家获悉，具身智能公司LatentVerse已完成数亿元人民币种子轮融资，第一轮投资方包括高瓴创投、清流资本、智元、星动纪元及英诺天使等基金。LatentVerse选择的是第三条路线：不做VLA也不做如今大热的WAM，而是把VLM和世界模型统一在同一个架构里。
本文主要介绍来自该团队的最新论文 Teaching Vision-Language-Action Models What to See and Where to Look，目前该论文已经被 ECCV 2026 正式接收，相关代码和模型已全部开源。
天使轮由一线美元基金，智能制造与大模型产业方共同领投；数据集 Xperience-10M 位列全平台数据集榜第 2 名，具身赛道第一名，目前已被多款具身基础模型 Qwen-VLA、MolmoMotion 等采用；多模态采集系统 HOMIE 进入规模化量产交付，新一代系统将于 2026 年 8 月发布。