别让vision拖累VLA中的action！

点击下方 卡片 ，关注" 具身智能 之心 "公众号 作者丨 YiYang等 编辑丨具身智能之心 本文只做学术分享，如有侵权，联系删文 >> 点击进入→ 具身智能之心 技术交流群 更多干货，欢迎加入国内首个具身智能全栈学习社区 ： 具身智能之心知识星球 (戳我) ， 这里包含所有你想要的。 别让vision拖累action：Mantis VLA的解耦视觉预测 核心亮点 研究背景 近年来，视觉-语言-动作（VLA）模型被广泛应用于机器人任务中。尽管进展显著，但VLA模型仍面临着一个问题：它们依靠低维稀疏的动作信号，去监督高维密 集的视觉输入，以此训练十亿参数级的主干网络（图1），这种不匹配使得模型的大部分表征能力未能被充分利用，制约了整体性能。 论文 ：https://arxiv.org/pdf/2511.16175 代码 & Demo ：https://github.com/zhijie-group/Mantis 模型&数据集 ：https://huggingface.co/collections/Yysrc/mantis 1. 解耦视觉预测（DVF） 减轻主干网络负担，自动捕捉隐式动作，增强显式动作生成。 2 ...