ICLR 2026视觉-语言-动作(VLA)领域深度综述：八大前沿趋势与核心挑战解析

在ICLR 2026会议上，视觉-语言-动作（VLA）领域成为人工智能研究的热点，一篇全面综述应运而生，为我们揭示了该领域的飞速进展。

如果您尚未了解VLA的基本概念及其如何激发机器人学界的广泛热情，本文将为您提供一站式详尽解读。

本文作者Moritz Reuss荣获2025年Apple AI/ML学者奖，其研究成果多次发表于RSS、ICLR、NeurIPS等顶级学术会议。这篇综述不仅凝聚了一线研究者的实践经验，更是对未来技术走向的敏锐洞察。

文章发布后，迅速获得学界积极反馈，甚至吸引顶级猎头Mark Wallace直接发出合作邀请。

VLA究竟有多受关注？据统计，VLA模型相关的学术投稿量从去年个位数猛增至164篇，增长幅度高达18倍。这股热潮背后，核心动力在于让机器人具备“理解人类指令、感知环境并执行操作”的能力，这正成为AI领域最具吸引力的前沿方向之一。

然而，繁荣景象下也浮现出一个关键问题：当我们讨论VLA的进步时，其本质究竟意味着什么？

厘清VLA的核心定义

在深入技术趋势前，必须明确一个基本概念：什么样的模型才能称为VLA？

学术界对此尚无统一标准，但研究员Moritz Reuss在综述中提出了一个关键界定：

一个模型必须基于互联网级别的大规模视觉-语言数据进行预训练，并拥有相应骨干网络（pre-trained backbone），方可被称为VLA。

这一定义强调模型能力的根源：VLA必须继承自强大视觉语言模型（VLM）所习得的语言理解、视觉泛化及任务迁移能力。代表性模型如Google的PaLI-X，或开源项目Llava、Florence-2等。

若模型仅简单拼接独立的视觉与文本编码器，则更应归类为“多模态策略”（Multimodal Policies）。

此外，还有一个相关概念：大型行为模型（Large Behavior Models, LBMs），由丰田研究院提出，指基于大规模、多任务机器人演示数据训练的策略。可以这样理解：VLA侧重“基因”，即继承自VLM；LBM侧重“养料”，即依赖机器人操作数据训练。一个经海量机器人数据微调的VLA可同时视为LBM，但LBM未必是VLA。明确这一边界有助于理解不同技术路线的侧重点。

基于ICLR 2026洞察VLA八大技术趋势

趋势一：高效架构新范式——离散扩散模型

今年VLA架构的突出新风向是离散扩散模型（Discrete Diffusion）的应用。

传统自回归模型需逐词生成动作序列，而离散扩散模型能并行化一次性生成完整序列，优势显著：

1. 高效生成：减少前向传播次数，提升推理效率
2. 思维动作融合：可并行生成动作与推理过程（如子目标、关键物体定位），即具身思维链（Embodied Chain-of-Thought, ECoT）

本次ICLR中，《DISCRETE DIFFUSION VLA》《dVLA》等多篇论文在此方向取得进展，在LIBERO评测中表现近乎饱和。

趋势二：具身思维链（ECoT）——让机器人先规划后执行

为提升机器人智能，仅靠模仿学习不足，还需赋予其“思考”能力。具身思维链（ECoT）正是这一理念的体现，其核心是在生成动作前先生成中间推理步骤，从而增强计划与解释能力。步骤可包括：

• 文本规划：如“首先定位红色杯子”
• 视觉感知：识别关键目标
• 轨迹构图：设计移动路径

这种先想后做模式不仅提升可解释性，也显著增强了复杂场景下的泛化能力，但依赖高质量标注数据，目前这类数据仍较稀缺。ICLR中的《ACTIONS AS LANGUAGE》《EMBODIED-R1》等论文通过推理-动作解耦与多阶段训练，在SIMPLER等评测中表现突出。

趋势三：动作分词器——实现动作的语言化表示

VLA的核心挑战之一是将连续、高频的机器人动作转换为VLM能理解的离散“词汇”（Token），动作分词器（Action Tokenizer）正是连接VLM“大脑”与机器人“身体”的桥梁。

今年新进展包括：

• FASTer Tokenizer：结合残差矢量量化（RVQ），平衡压缩率与动作连续性
• OmniSAT：利用B样条曲线（B-Splines）建模动作，实现更紧凑表达

这些方法在LIBERO和SIMPLER中提升了精度与稳定性，为语言模型驱动的机器人控制奠定基础。

趋势四：强化学习——优化策略的最后一公里

模仿学习虽能快速掌握基础操作，但在极端场景下仍有局限。强化学习（RL）因此作为VLA策略的微调工具重新受到重视。今年代表技术包括：

• 残差RL（Residual RL）：在冻结VLA策略上叠加轻量“残差策略”，实现关键干预与优化
• 阶段感知RL（Stage-aware RL）：将复杂任务拆分为语义阶段，进行分阶段奖励与训练

相关论文如《SELF-IMPROVING… VIA RESIDUAL RL》《PROGRESSIVE STAGE-AWARE…》在LIBERO和SIMPLER上分别取得99%和98%的成功率。

趋势五：效率优化——推动VLA平民化

VLA模型通常庞大且成本高昂，令中小实验室难以承受，因此效率优化成为研究重点。主要方向包括：

• 推理效率：如HyperVLA采用超网络机制动态生成轻量策略网络
• 显存占用：如AutoQVLA通过智能量化压缩模型体积并保持性能

这些方法显著降低了硬件门槛，使更多研究者能参与VLA探索。

趋势六：视频预测——赋予VLA物理直觉

视频生成模型天生理解时序动态与物理规律，这对机器人控制是极佳的先验知识。

该方向主要有两种思路：

1. 在VLM基础上增加未来帧预测任务
2. 从视频生成大模型（如NVIDIA的Cosmos）出发，微调以获得动作生成能力

例如《COSMOS POLICY》成功将视频基础模型微调用于机器人控制，并在真实世界中与Pi-0.5等前沿模型对比。这些工作表明，赋予VLA“想象”未来的能力能有效提升其对物理世界的理解。

趋势七：更真实的评测基准——打破过拟合困局

由于现有评测集接近饱和，社区正积极开发新评测方式。

• 《ROBOTARENA ∞》 提出真实到仿真（Real-to-Sim）评测框架，可自动构建与评估环境
• 《RoboCasa365》 提供包含365种任务、超2000个厨房场景的大规模仿真环境
• 《WorldGym》 甚至提出颠覆性想法：直接使用生成式世界模型作为评测环境

这些新基准旨在避免对现有测试集的过拟合，推动VLA研究走向更有意义的泛化能力评估。

趋势八：跨体态学习——迈向通用机器人的必经之路

让单一模型驱动不同结构（动作空间）的机器人是通用机器人的核心挑战。

• 《X-VLA》 使用软提示（soft-prompting）为不同机器人学习特定“适配器”
• 《XR-1》 提出统一视觉-运动编码（UVMC），用共享“词典”表示不同机器人的视觉动态与动作
• 《HIMOE-VLA》 采用层级式混合专家（Hierarchical MoE）架构，增强模型对新“身体”的适应性

这些架构创新是构建适应不同硬件的通用机器人策略的关键一步。

现状反思：切勿迷信评测高分，警惕性能失真

研究员Reuss指出，主流仿真评测（如LIBERO、CALVIN）存在“性能天花板”问题。许多模型得分虽高，却难以转化为现实能力，原因包括：

• 数据鸿沟：头部公司掌握海量高质量真实数据，远超开源数据规模
• 评测维度差异：工业界更看重开放环境、泛化能力与失败恢复
• 资源与迭代：大规模集群与工程支持带来快速优化优势

开源模型在仿真环境中得分可能高于Google的Pi-0.5，但在真实世界中仍难以匹敌这些前沿产品。

未来关键：亟待重视的数据质量与学习方式

文章最后，Reuss强调两个VLA研究中尚未充分关注的问题：

数据质量：相比数据量，更应关注数据中的噪声、歧义与次优行为，这些可能限制模型上限

上下文学习（In-context Learning）：这一在大型语言模型中常见的机制能否迁移至机器人领域，或许是通用VLA的突破口

作者背景

本综述作者Moritz Reuss是德国卡尔斯鲁厄理工学院（KIT）四年级博士生，长期专注于从人类演示、视觉与语言中构建通用机器人AI系统。

他是将扩散模型引入机器人策略研究的先驱之一，恰与本次综述中的热门趋势呼应。作为2025年Apple AI/ML学者奖获得者，其研究成果多次发表于RSS、ICLR、NeurIPS等顶会。可以说，这份综述源自科研一线的“圈内人”深度观察。

最后，VLA的众多技术方向中，您最看好哪一个？是更高效的离散扩散，还是更智能的思维链？抑或认为数据质量才是决胜关键？

参考链接：

[1]https://mbreuss.github.io/blog_post_iclr_26_vla.html

[2]https://www.linkedin.com/in/moritzreuss/