VLANeXt 团队 投稿 量子位 | 公众号 QbitAI VLA模型五花八门，到底哪些设计真正有用？ MMLab@NTU联合中山大学的最新研究，给出了一份从入门到精通的终极"菜谱"—— VLANeXt 。 这项研究没有简单提出一个新模型了事，而是系统性地从 12个关键维度 ，深度剖析了VLA的设计空间。从基础组件到感知要素，再到动作 建模的额外视角，每一步都有扎实的实验支撑。 最终的产物VLANeXt，在标准基准LIBERO及泛化性测试LIBERO-plus上， 全面超越了包括7B参数模型在内的各类SOTA方法 。面对未见 过的光照、背景、相机位姿等扰动，其成功率较此前最佳方法大幅跃升了 10% 。 无论你是刚入局具身智能的小白，还是想进一步优化模型的老手，这份"菜谱"都能帮你找到答案。 背景：走出VLA的"原始汤" 随着大基础模型的崛起，视觉-语言-动作模型 （VLA） 展现出了极大的潜力，通过继承丰富的视觉理解和语言基础，为通用机器人策略学 习提供了可扩展的途径。然而，目前的VLA研究领域依然处于一种"原始汤 （primordial soup） "阶段—— 充满了各种天马行空的探索和 设计，但缺乏清晰 ...