北大发布 ManualVLA：首个长程「生成–理解–动作」一体化模型，实现从最终状态自主生成说明书并完成操纵

视觉–语言–动作（VLA）模型在机器人场景理解与操作上展现出较强的通用性，但在需要明确目标终态的长时序任务（如乐高搭建、物体重排）中，仍难 以兼顾高层规划与精细操控。 针对这一问题， 北京大学、香港中文大学与至简动力 团队提出了全新的「生成–理解–动作」一体化模型 ManualVLA。 首先由「规划专家」生成由图像、空间位置提示和文字说明组成的多模态操作说明书，再通过显式与隐式相结合的「思维链」（ManualCoT）推理，将信 息反馈给「动作专家」，为每一步操作提供清晰的显式控制条件的同时，通过潜在表征为动作生成提供持续的隐式引导，实现理解与生成的高度统一。 论文题目 ：ManualVLA: A Unified VLA Model for Chain-of-Thought Manual Generation and Robotic Manipulation 论文链接 ： https://arxiv.org/abs/2512.02013 项目主页 ： https://sites.google.com/view/maunalvla 实验结果表明，ManualVLA 在现实场景任务中表现出显著优势，其平均成功率相较 ...