让机器人学会选择输出快！慢！动作
论文：HiPolicy 2604.06067 核心 Motivation： 主流的模仿学习（DP、ACT、DP3 ），一般都是采用固定频率的动作分块 论文这里对频率分类 相同分块尺寸下，低频分块能捕捉长时序任务依赖，但缺乏细粒度闭环控制的时间分辨率； 高频分块能实现精细的动作调整，但长时序依赖的建模能力严重不足。 很显 …
Thinking
研究判断、学习方法、技术路线与阶段性想法。
看论文不知道在看什么？一张图表讲清楚现在 VLA 的主流方向
上海交大学生手册曾经提到过一句话，让我记忆犹新： ”做科研最重要的，不是你在做什么，而是你知道正在做的是什么“ 整天看论文，翻来覆去，只知道这篇论文做了什么 但是到了下一篇论文，却又手足无措？ 脑子混乱，思路不清晰，这正是不清楚技术路线的表现。 今天，一张图表带你看清 VLA的主流方向。 今后再看论文，直接在大脑中对应 …
判断幻觉还在看 attention sink 吗？直接用 saliency 判断大模型幻觉
在研究大模型以及多模态模型的时候，我们通常使用做“信息流”——用 attention map 来观察 token 间依赖关系 也就是对于第P个生成位置，我们先给模型输入前P-1个 token，这里可能包括了提示词，系统提示词，图像token，已经输出的token等等。 之后预测第P个token，在每一层每个 …
WAM和VLA，本质上都是在预测“状态”
PI0.5有一个很有意思的地方，他在动作头中，引入了一些随机初始化的token作为Q来和VLM输出进行交叉注意力 论文中把他们称为future token，即让模型想象一下“未来” 但是，这只是作者的声明，为什么就一定是future呢？ 这只是融合了当前 VLM 表示，并不自动等价于预测未来状态 并且不会觉得相似吗？ …
pi0 原来早就被淘汰了？6 分钟速览 Discrete Diffusion 最新论文
先前的VLA现在主要分为三种类型，其中两个是基于原先的VLM架构，直接解耦出来，增加上一个MLP头或者连续扩散头，另一个则是传统的自回归类型。但是！将这种决策或生成模块置于主干网络之外，会破坏模型端到端的表征连续性与推理统一性，什么意思？就是这基本上就是两个网络，两个人自己玩自己的，还需要分别单独去训练，并且前面的网络 …
flow matching 是怎么成为 VLA 的主流方法的？
为什么流匹配能成为vla的主流之一？一篇pi0带你看懂flow matching的vla架构！ 在讲flow matching之前，我们先来回顾一下diffusion的思想—— 扩散模型的完整逻辑由正向扩散（加噪）和逆向扩散（去噪 / 生成) 两个互逆的过程组成。 拿扩散最拿手的图像生成领域来讲，对图像里的每个像素（比 …
0.5B 超小模型是怎么打败 OpenVLA 7B 的？小模型的顶级 SOTA！
今天这篇 2025 年 9 月的论文，在 VLA 这个卷到飞起的领域里确实算有点 “老” 了 VLA-Adapter arxiv 编号：2509.09372 但是不妨它还是小模型之王！ 它的核心做法，一句话就能讲清：用一套由两个交叉注意力 + 一个自注意力构成的 Bridge Attention 桥接模块，实现了极致轻 …
"COT" 是怎么在 VLA 里面火起来的？
自从具身大火之后，之前很多做LLM，VLM的人涌进来很多 VLA是建立在VLM的基础上的，早年的VLA很朴素，一般是VLM加个自回归生成的动作头，再用机器人数据微调一下 既然是VLA从VLM发展过来的，那VLM上的method都应该在VLA上能够施展开来 于是，这波论文潮随之而来了 某种意义上，论文数量的涌现效应甚至比 …