硅基参考论文库整理具身智能论文的作者、机构、会议、方法与代码关联；同一板块也可阅读论文解读跟进文章。
清华联合正行创新、无问芯穹提出 Harness VLA：记忆增强的 Harness 层把冻结 VLA 封装为可重试的接触丰富原语，与解析原语组合执行，零微调在 LIBERO-Pro 拿下 82.4%，低成本路线正面击败重训派。
蚂蚁灵波发布 LingBot-VA 2.0：以 SemVAE 统一视觉与动作分词、因果预训练配稀疏 MoE 骨干、异步推理实现高频闭环控制，真机验证少样本泛化。具身原生路线与暴力 Scaling 路线正面对照。
小米机器人团队发布Xiaomi-Robotics-1，用10万+小时UMI真实操作轨迹预训练VLA模型，RoboCasa365以57.4%刷新SOTA，代码与权重将开源。
ActionPiece重新思考自回归VLA模型中的动作分词问题，通过表示学习和量化的联合监督保持物理动作关系。物理秩保持监督编码器和量化特征距离中的近远排序，量化正则化将相同排序应用于码字分配分布。两个目标增强重构，为标准自回归策略学习生成离散动作token，并通过冻结解码器执行。在相同Qwen3-VL-4B策略训练设置下，ActionPiece在多个基准上达到94.8%的成功率，显著优于现有动作分词方法，适用于自回归VLA策略学习和动作表示研究。
Dynin-Robotics提出了一种全模态统一扩散VLA模型，将视觉目标预测和动力学预测引入动作生成和选择过程。该方法通过预测语言条件机器人策略的目标结果和动作依赖的场景变化，为VLA提供了更丰富的未来表示。模型将扩散模型用于动作生成，同时融合视觉、语言和动力学预测信号。在多个机器人操作基准上的实验表明，Dynin-Robotics在长视野任务和复杂接触丰富操作中取得了SOTA性能，适用于需要多模态融合和扩散策略的机器人学习场景。
VLA-Precision提出了一种高效的真实世界在线强化学习框架，包含非对称协同自举（ACoB）算法和ACoB-Stream架构。ACoB在不同时间尺度上建立非对称协同自举：早期干预引导的行为学习快速提升策略性能同时增强在线经验质量；随着自主经验积累，全局回报传播和局部偏好排序逐步校准价值估计。该框架解决了VLA在线RL中样本效率低和真实世界数据收集困难的问题，适用于需要在线适配和持续学习的机器人操作场景。
sensVLA提出了一种空间grounding VLA架构，用于自主轮式装载机的自动驾驶。该模型将Qwen3-2B视觉语言模型与完全可训练的Transformer动作专家结合，通过流匹配速度回归进行训练。sensVLA将从前后融合激光雷达提取的鸟瞰图（BEV）特征通过专用交叉注意力路径直接路由到动作专家，同时VLM消费前后RGB视图。该方法在工程车辆自动驾驶场景中验证了空间感知VLA的有效性，适用于工程机械、自动驾驶和复杂户外导航等场景。
PHR-VLA提出了一种在VLA模型中实现规划视野推理的框架，通过特权潜在未来动力学表示解决当前VLA主要基于当前观测条件动作预测、缺乏对未来任务动态显式推理机制的问题，这对于细粒度、接触丰富的操作尤为重要。PHR-VLA引入轻量级辅助未来头，在训练期间将VLA内部表示与从未来观测中提取的潜在动力学对齐。实验表明PHR-VLA在接触丰富的长视野操作任务上显著优于基线VLA模型，适用于需要时序推理和未来规划的机器人操作场景。
SAVLA提出了一种端到端对称感知VLA模型，用于鲁棒且数据高效的策略学习。该方法保持预训练视觉语言主干完全冻结，结合等变流匹配动作头和学习到的规范化器。动作头将状态、动作和条件输入分解为不变和等变通道，并在所有层中保持这种类型化。规范化器将斜视图像转换到规范坐标系并旋转几何条件。在多个机器人操作任务上，SAVLA相比标准VLA基线实现了显著更好的数据效率和泛化能力。适用于需要对称不变性的桌面操作、物体抓取和放置等场景。
VISTA是2026年6月发表的VLA训练数据适配方法研究，针对通用操作（UMI）数据在迁移到不同机器人形态时存在的视觉接地偏差和物理不可行性问题。该论文提出了视觉接地校正和物理验证双重适配机制，能够自动检测并修正UMI数据中不适合目标机器人的动作轨迹，显著提升了跨形态迁移后的策略性能。研究在多种机器人平台上进行了验证，适用于数据高效的VLA训练、跨机器人形态知识迁移和大规模操作数据集构建等方向。
FUTURE-VLA是清华大学团队于2026年2月发表的VLA模型研究，聚焦于实时执行场景下的统一轨迹预测问题。该论文提出了一种能够同时预测未来多步动作轨迹并支持实时闭环执行的VLA架构，解决了传统开环动作预测在动态环境中累积误差的问题。通过引入轨迹级别的建模和在线校正机制，FUTURE-VLA在长时序操作任务中展现出更强的鲁棒性和适应性，适用于动态环境下的机器人操作、实时人机协作和具身智能系统部署等研究方向。
DeMaVLA是2026年5月发表的面向可变形物体操作的视觉-语言-动作基础模型。针对现有VLA模型主要聚焦刚性物体操作、在布料、绳索、食品等可变形物体上表现不佳的问题，DeMaVLA提出了专门的可变形物体表示学习和动作生成机制，通过大规模可变形操作数据预训练实现跨类别、跨场景的泛化能力。该研究适用于家庭服务机器人、食品加工、纺织制造等需要处理可变形物体的应用场景，推动了VLA模型在非刚性操作领域的发展。
GigaBrain-0.5M是GigaAI团队于2026年2月发布的视觉-语言-动作基础模型，创新性地将基于世界模型的强化学习引入VLA训练流程。该模型利用世界模型生成的想象轨迹进行策略优化，突破了传统模仿学习对真实机器人数据量的依赖，在操作任务的泛化性和样本效率方面取得显著提升。项目配有公开主页，适用于大规模机器人策略预训练、世界模型与VLA融合研究以及具身智能基础模型开发等方向。
PhysVLA是2026年6月发表的视觉-语言-动作（VLA）模型研究，旨在解决现有VLA模型在物理接地方面的不足。该论文提出通过引入物理一致性约束和接触感知机制，使VLA模型能够更好地理解物体间的物理交互关系，从而在复杂的接触丰富型操作任务中提升泛化能力和执行成功率。研究在多个仿真和真实机器人操作基准上进行了验证，适用于具身智能、机器人操作策略学习和VLA模型改进等研究方向，为构建更可靠的物理接地型机器人智能体提供了新的方法论。
Cloak是2026年发表的训练策略，通过在训练中对手腕相机视图进行末端执行器遮蔽（end-effector cloaking），将腕部视角与自身本体解耦，从而赋予视觉-语言-动作（VLA）模型零样本跨本体迁移能力。该方法是ZETA研究的核心技术贡献，在桌面操作场景下系统验证了多种VLA架构在不同机械臂本体间的迁移表现，揭示了本体特异性视觉特征对泛化的瓶颈，为构建真正通用的具身智能基础模型提供了重要方法论。
pi0.7是Physical Intelligence公司2026年发布的新一代通用机器人基础模型，由Bo Ai等团队开发。作为pi0系列最新迭代，pi0.7具备可引导的通用操作能力，训练中涌现出多种未显式编程的新能力，包括精细力控操作、多物体协同处理和自适应错误恢复。在跨本体跨场景操作任务中展现强大零样本和少样本泛化能力，代表商业级通用机器人基础模型最新进展。
VLAs-as-Tools是2026年发表的研究，提出将VLA模型作为可调用工具构建长时序具身智能体。将长时序任务的双重负担分解为高层VLM智能体负责时序推理和场景分析，以及专用VLA工具负责局部物理操作。VLM处理全局规划、任务分解和错误恢复，每个VLA工具专精特定操作原语，在仿真和真实实验中显著提升长时序任务成功率和鲁棒性，为通用机器人智能体架构提供模块化解决方案。
In-Context VLA是2026年8月由Jiarui Yang等人提出的研究，通过上下文后训练和智能体工具使用增强VLA模型的语言理解与推理能力。在RoboCasa-GR1、SimplerEnv和LIBERO三个仿真基准以及8个真实机器人任务上验证，证明上下文学习范式显著提升VLA模型在长时序多步骤操作任务中的表现，同时保持对新指令和新环境的泛化能力，为VLA与大语言模型深度融合提供新路径。
Harness VLA是2026年发表的研究，提出通过记忆引导的智能体（memory-guided agents）将冻结的VLA模型转化为可靠的操作原语。该方法不重新训练VLA模型，而是通过外部记忆模块存储和检索成功的操作轨迹，结合高层智能体进行任务规划和错误恢复，使预训练VLA模型在复杂长时序任务中表现出更高的可靠性和一致性。在多个桌面操作基准上验证了该方法对冻结VLA模型的显著增强效果，为利用已有大模型而不进行昂贵重训练提供了实用路径。
该论文提出动作组合训练方法提升VLA模型的动作生成能力，arXiv:2607.00351。针对VLA模型在复杂操作任务中动作多样性不足的问题，引入动作组合训练策略，使模型能够组合基础动作生成更复杂的操作序列。在多个机器人操作基准上验证了方法的有效性，适用于提升VLA模型在长时序复杂操作任务中的表现。
EATR-Stereo是面向人形机器人VLA控制的具身感知token路由方法，arXiv:2608.17453。提出利用双目立体视觉配对证据的具身感知token路由机制，使人形机器人VLA模型能够更好地利用深度信息和空间几何关系进行动作决策，提升在复杂3D环境中的操作精度。
SWIM是面向软体连续体机器人的视觉-语言驱动全身交互操作框架，arXiv:2609.17035。针对软体和连续体机器人操作中的高自由度控制难题，提出视觉-语言grounding的全身交互操作方法，使软体机器人能够理解自然语言指令并执行复杂的全身操作任务。适用于医疗、康复、柔性制造等领域。
CAC-VLA提出上下文门控动作条件化方法，arXiv:2607.04816。论文针对VLA模型中动作tokenizer选择和上下文利用不足的问题，引入上下文门控机制动态调节动作条件化强度，在LIBERO、LIBERO-Plus和CALVIN D-D等基准上取得显著提升。适用于机器人操作策略学习和VLA模型优化。
MA-VLA是面向多臂机器人协作的视觉-语言-动作模型，arXiv:2608.25864。该论文提出多臂VLA架构，解决双臂/多臂协作场景下的组合泛化问题，通过联合建模多视角视觉输入、语言指令和多臂动作序列，实现复杂协作任务的端到端控制。适用于工业装配、家庭服务等需要多臂协同的机器人操作场景。
我是硅基参考 Agent，熟产品库、数据集、公司档案和近期资讯。你可以直接问，也可以先让我了解你是谁、在看什么——我会把库里的资料和你说的话对上号，像同事聊天那样一点点聊。