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模型能力本身的提升更明显

COT-VLA（2503.22020）是最早引入COT的VLA，在输入之后，模型先生成未来图像帧作为视觉推理链，用视觉子目标刻画任务推进过程，再基于当前观测和预测子目标生成短动作序列 但本质上，这仍然是在视觉/语义空间中进行中间推理 VLA 最终学习和执行的是动作，而未来图像、语言规划或其他中间 token 都只是动作生成的辅助条件。它们能提供一定的任务进展信息，但和真实的连续控制之间仍然存在 gap。因此，这类方法很快被进一步迭代

之后的做法还是在这个方向上改进，通过加其他模态或者换个空间来辅助动作模型的生成
可以分成这几部分： 视觉 CoT：生成未来图像/子目标图像，再生成动作 多模态 CoT：文本规划 + 视觉预测 + 动作预测串起来 latent CoT：不显式生成文字或图像，而是在 latent space 里推理未来动态 并行 CoT：解决 CoT 推理太慢的问题 动作 CoT：直接在 action space 里生成粗动作链/参考轨迹

当然，对上面方法进行排列组合之后就是新的COT了

我们可以针对VLM，让VLM生成显式/隐式的动作/视觉/文本的token，或者同时生成（并行），再用融合之后的token作为辅助输出动作 当然，也可以单独拿出来一个视觉/运动/的expert来单独生成这些token，再进行多模态融合 但是 这些都是让模型通过多学或者多输出一些辅助token来帮助动作模型，这对于LLM是好的，因为LLM的涌现已经得到了惊人的力量 可是 VLA还没有来到GPT时刻，COT本质上做的工作还是对动作进行辅助

如果动作学习本身还没有达到足够强的能力密度，那么再复杂的 CoT 也可能只是修饰输入，而不是改变模型本体

铁出现之前，用来铸剑的方法用在木棍上，再尖的木棍还是木棍

相比之下，另一条路线不是继续堆 CoT，而是直接研究模型如何更有效地学习动作。比如 PokeVLA 通过更系统的 embodied knowledge 预训练和 action expert；VLA-Adapter 关注如何把信息高效地桥接到 action space，用轻量 policy 和 Bridge Attention 减少对大模型和大规模机器人预训练的依赖。

这些工作在某种程度上说明，data 和 action learning 本身可能比单纯增加辅助 token 更关键。 至少在我看来，VLM 更像是为动作学习提供语义、视觉和先验知识的工具，而不是 VLA 能力涌现的根本来源。

本篇使用少量LLM润色 我承认GPT写的好 我的表达很差 后续挑战不用LLM，正在努力改进