VLA统一架构新突破:自回归世界模型引领具身智能
创始人
2025-07-10 12:57:22
0

(转自:机器之心)

本文来自:王宇琪,中国科学院自动化所博士,研究方向为世界模型,自动驾驶感知与决策等,在 CVPR、NeurIPS、ICCV、ECCV、ICLR 等顶级会议上发表过多篇论文。

王鑫龙团队,北京智源研究院,研究方向为原生多模态大模型,Emu 系列工作核心负责人。

张兆翔团队,中国科学院自动化研究所,研究方向涵盖世界模型、视觉生成与重建、自动驾驶、具身智能等。

从 Sora 到 Genie2,从语言驱动的视频生成到世界的交互模拟,世界模型正加速成为连接感知、理解与决策的关键基座。随着视觉 - 语言 - 动作(VLA)模型在具身智能领域的快速发展,多模态之间的边界正被重塑。

然而,现有方法多以语言模态为中心,往往忽视了视觉信息蕴含的丰富时序动态与因果结构。

为此,北京智源研究院联合中国科学院自动化研究所提出 UniVLA —— 一种全新的 VLA 模型架构,基于全离散、自回归机制,原生建模视觉、语言与动作信号,并在后训练阶段引入世界模型建模,从大规模视频中学习时序信息与因果逻辑,有效增强了模型在下游决策任务的性能和学习效率。

UniVLA 在 CALVIN、LIBERO、SimplerEnv 等主流具身智能基准上全面刷新多项 SOTA 纪录,并展现出在真机操控和自动驾驶等现实场景中的广泛潜力。

  • 论文标题:Unified Vision-Language-Action Model

  • 网站链接:https://robertwyq.github.io/univla.github.io/

  • 论文链接:https://arxiv.org/abs/2506.19850

  • 代码链接:https://github.com/baaivision/UniVLA

统一视觉 - 语言 - 动作的

全离散自回归模型

该框架将视觉、语言与动作信号统一转化为离散 token,并构建视觉 - 动作交错的多模态时序序列,实现原生统一建模。在训练范式上,采用自回归方式进行学习,不仅高效稳定,更具大规模扩展的潜力。

得益于这种时序化的多模态表示,模型天然支持多种任务的统一训练,包括视觉理解、文生视频、动作预测等,具备良好的通用性与数据扩展能力。

语言 动作模型架构

世界模型助力下游决策

在这套统一框架下,世界模型的后训练显著提升了下游决策性能,且无需依赖大量动作数据,仅凭海量视频即可高效学习。

对比语言生成图像的训练范式,时序动态信息被证明至关重要;而与纯视频建模相比,多模态语义对齐同样不可或缺。这为机器人从大规模视频中学习真实世界知识打开了新路径,展现出世界模型在多模态感知与决策融合中的巨大潜力。

刷新多项仿真基准纪录

该方法在当前主流的具身仿真基准上 —— 包括 CALVIN、LIBERO 和 SimplerEnv—— 均展现出强劲的性能优势,全面刷新多项任务纪录

CALVIN 的长程任务评测LIBERO 的泛化评测SimplerEnv 的泛化测试

解锁更广应用:

真机双臂操控与端到端驾驶

双臂协作倒水

探索新的VLA技术路径

未来展望

相比于基于视觉语言模型(VLM)拓展而来的 VLA 框架,本文提出了一条全新的技术路线,展现出更大的潜力与探索空间。

一方面,我们构建了一个视频版本的 VLA 架构,使模型能够有效捕捉视频中的时空动态特征,并在推理过程中更充分地利用历史信息;同时,即便缺乏动作标签,模型仅通过大规模视频数据的训练,依然在下游任务中表现出显著优势。

另一方面,我们引入全离散的自回归训练范式,显著提升了训练效率,并为大规模数据下的模型扩展性提供了坚实基础。未来,我们将进一步探索该框架与多模态强化学习的深度融合,推动其在开放世界中的感知、理解与决策能力持续演进。

相关内容

热门资讯

最新或2023(历届)广告学专... 广告学专业考研方向 广告学专业考研大学排名和考研科目及方向主要集中在工商管理、新闻与传播、传播学、新...
我市首部旅游音乐剧《在那遥远的... 本报讯(记者 张艳艳)7月10日晚,青海大剧院音乐厅内掌声雷动,西宁市首部旅游音乐剧《在那遥远的地方...
7月只有25.3℃,西宁邀您来... 西宁被誉为“中国夏都”。每年7月,当全国多地发布高温预警时,西宁人却在朋友圈晒着“入夏失败”的调侃。...
最新或2023(历届)广播电视... 广播电视学专业考研方向 每年广播电视学专业的同学在面临考研方向选择的时候,广播电视学专业考研大学排名...
最新或2023(历届)传播学专... 传播学专业考研方向 每年传播学专业的同学在面临考研方向选择的时候,传播学专业考研大学排名和考研科目及...