作者介绍：盛举义，北京大学在读博士研究生，研究方向为机器人操作技能学习方法研究；王梓懿、李培铭，北京大学在读硕士研究生，研究方向为视频理解分 析； 刘勇，浙江大学控制科学与工程学院教授，研究领域为自主机器人与智能系统； 刘梦源，北京大学深圳研究生院助理教授，研究领域为人类行为理解与机器 人技能学习。 在目前的 VLA 模型中，「A」— 动作生成模型决定了动作生成的质量以及速度。具体而言，生成式模型在推理速度与任务成功率之间存在 「根本性权衡」。 其中，Diffusion Models（如 Diffusion Policy 和 DP3）通过多步迭代生成高质量动作序列，但推理速度较慢，难以满足实时控制要求；而 Flow-based 模型（如 FlowPolicy）尽管能提供快速推理，但需要额外的架构约束或一致性损失（consistency loss）来保证轨迹的有效性，这增加了设计复杂性并可能限制性能和泛化能 力。 此外，机器人操作面临另一个挑战，即数据高效的少样本泛化。标准模仿学习策略容易出现 「特征坍塌（feature collapse）」，即将需要不同动作的关键状态错误 地映射到相似的潜在表征 latent ...