ERVLA: Revisiting Embodied Chain-of-Thought for Generalizable Robot Manipulation

ERVLA是2026年提出的视觉-语言-动作（VLA）模型，将具身思维链作为表示塑造监督而非强制测试时推理。采用推理丢弃策略训练，使模型在训练中吸收丰富推理轨迹，推理时直接预测动作而无需CoT解码，提升可扩展性并避免自回归不稳定性。在LIBERO-Plus基准上达到86%的最先进性能，适用于通用机器人操作策略学习和跨任务泛化研究。