GAIR Paper 108 | CVPR 2026 冠軍獎?wù)撐模?K 參數(shù)撬動 VLA 泛化，空間才是真正的瓶頸！

機(jī)器人在新場景下失靈，根源不是不懂物理，而是空間表征錯了——用極少參數(shù)校準(zhǔn)這一層，就能打開通往原生世界動作模型的路。

作者丨張 璐

編輯丨齊鋮湧

讓機(jī)器人真正理解世界，需要更大的語言模型、更逼真的視頻生成，還是別的什么？

雷峰網(wǎng)小編在中山大學(xué)與 X-Era AI Lab 團(tuán)隊(duì)的研究中f x了一個意外的答案：很多時候，機(jī)器人在新場景下失靈，不是因?yàn)樗欢锢恚且驗(yàn)樗?看到的空間變形了"。

CVPR 2026 論文"VLA Models Are More Generalizable Than You Think: Revisiting Physical and Spatial Modeling"（獲首屆 CVPR Compute Transparency Champion Award）和 ACM MM 2026 論文"Robotic manipulation is vision-to-geometry mapping (f(v)→g): Vision-geometry backbones over language and video models"通過一組輕量改進(jìn)實(shí)驗(yàn)指出：當(dāng)前視覺-語言-動作模型（VLA）在新視角、光照、紋理和傳感噪聲下表現(xiàn)出的脆弱性，主要來自空間建模的錯位，而不是物理推理或動作控制能力的缺失。

圖 1：論文從VLA 的視覺擾動問題出發(fā)，

把空間建模與物理建模的關(guān)系重新放到具身智能的中心。

視覺編碼器在新視角下產(chǎn)生了偏移的空間表征，而后端的語言-動作推理與控制模塊，其實(shí)仍然保留著可以被重新調(diào)動的物理建模能力。

這把改進(jìn)焦點(diǎn)從"堆更多數(shù)據(jù)、上更大模型"，轉(zhuǎn)向了一個更具體的問題：模型看到的空間，是否足夠真實(shí)、穩(wěn)定？

01

VLA 里兩個功能不同的部分

傳統(tǒng)上，VLA 被視為一個端到端系統(tǒng)：輸入圖像和語言指令，輸出機(jī)器人動作。但這篇論文提出了更細(xì)的拆分。

https://arxiv.org/pdf/2512.02902

第一部分是空間建模（Spatial Modeling），由視覺編碼器承擔(dān)。它負(fù)責(zé)從圖像中恢復(fù)物體的位置、朝向、遮擋、接觸關(guān)系和視角結(jié)構(gòu)，形成供下游策略使用的空間表征。

第二部分是物理建模（Physical Modeling），由 VLM 與動作專家承擔(dān)。它結(jié)合任務(wù)語言、空間表征和動作歷史，進(jìn)行高層推理并生成可執(zhí)行動作序列。

圖 2：VLA 可被拆解為空間建模與物理建模。

視角變化首先擾動空間表征，再影響后續(xù)動作生成。

論文指出，當(dāng)相機(jī)視角發(fā)生變化時，真正改變的是空間配置，而不是任務(wù)語義，也不是執(zhí)行任務(wù)所需的物理規(guī)律。所以，新視角下的性能下降，更可能來自空間表征與后端策略之間的錯位，而不是整個 VLA 的物理推理失效。

這個判斷意味著：我們不能只問模型是否學(xué)到了語言知識或視覺外觀，還必須追問模型內(nèi)部的空間，是否能夠支撐動作。

02

用極少參數(shù)，驗(yàn)證空間校準(zhǔn)的價值

為驗(yàn)證這一假設(shè)，論文提出了一套 one-shot 魯棒適應(yīng)框架，用極少量可學(xué)習(xí)參數(shù)校準(zhǔn) VLA 的視覺空間表征，其余部分保持不變。

Feature Token Modulation（FTM）只引入兩個全局可學(xué)習(xí)向量，對視覺 token 做簡單的仿射變換，即重新縮放和重新居中特征分布。只學(xué)習(xí)約 4K 個參數(shù)，就把 LIBERO 新視角任務(wù)成功率從 48.5% 提升到 87.1%。

Feature Linear Adaptation（FLA）進(jìn)一步在 ViT 編碼器的線性層中加入低秩更新，用約 4.7M 個參數(shù)完成更深層的特征對齊。在 LIBERO 新視角測試中達(dá)到 90.8% 成功率，超過強(qiáng) LoRA 基線的 90.3%，同時參數(shù)量從 467M 降到 4.7M，減少約 99 倍。

圖 3：FTM 與 FLA 通過輕量空間校準(zhǔn)，

重新對齊視覺表征與后端動作生成模塊。

在擴(kuò)展的 LIBERO-V 視覺擾動基準(zhǔn)上，F(xiàn)LA 在相機(jī)、光照、紋理和噪聲四類擾動下取得 94.8% 平均成功率，F(xiàn)TM 以僅 0.004M 參數(shù)達(dá)到 90.5%。

這說明，對空間表征進(jìn)行有針對性的輕量校準(zhǔn)，效果不輸全量微調(diào)。空間表征是 VLA 泛化鏈條中真正的瓶頸。

03

從這里出發(fā)，到原生世界動作模型

這篇論文的更深層啟發(fā)在于：空間智能與物理智能，是兩個可以被分析、校準(zhǔn)、重組的層面。

空間智能對應(yīng)模型對幾何結(jié)構(gòu)的建模能力——三維位置、視角變化、遮擋關(guān)系、物體布局；物理智能則對應(yīng)模型對動作、接觸、約束和因果后果的建模能力。

這種"空間與物理可分離"的發(fā)現(xiàn)，為原生世界動作模型（Veridical World Action Model，VWA）提供了一個自然的起點(diǎn)。

在 VWA 的框架里，空間不是視覺語義的附屬品，而是世界動作模型的幾何基礎(chǔ)；物理也不是動作頭后面訓(xùn)練出來的表面能力，而是從預(yù)訓(xùn)練階段就要直接學(xué)習(xí)的時空演化與因果約束。

圖 4：空間與物理的可分離性，為原生世界動作模型

提供了從幾何到物理再到動作的路線。

VLA 中空間與物理的可分離性，說明具身智能模型可以被重新設(shè)計(jì)為從幾何到物理再到動作的統(tǒng)一系統(tǒng)。

當(dāng)前許多具身模型仍然沿用"先預(yù)訓(xùn)練視覺語言模型或視頻模型，再后訓(xùn)練為動作模型"的路線，隱含地假設(shè)語言或視頻中的世界知識最終會自然遷移為動作能力。

但真實(shí)機(jī)器人需要的不是預(yù)測下一個詞元，也不只是生成未來畫面，而是在物理世界中預(yù)測動作及其后果。

VWA 的核心主張正是對這一錯位的修正：如果最終目標(biāo)是讓模型在物理空間中行動，那么預(yù)訓(xùn)練階段就應(yīng)該直接學(xué)習(xí)真實(shí)世界中的狀態(tài)、動作和時空變化。

模型要學(xué)習(xí)密集的 4D+x 物理預(yù)測，包括未來三維位置、運(yùn)動趨勢、接觸狀態(tài)、材質(zhì)屬性、可操作性和環(huán)境約束。機(jī)器人動作，則可以被看作從這個密集物理預(yù)測場中讀出的本體軌跡。

圖 5：VWA的目標(biāo)不是先學(xué)語言或視頻再接動作頭，

而是直接學(xué)習(xí)動作及其導(dǎo)致的未來世界演化。

真正可縮放的物理智能，可能不來自更大的語言頭或更逼真的視頻頭，而來自一個預(yù)訓(xùn)練目標(biāo)、表征空間和動作輸出都與物理世界一致的原生世界動作模型。

04

透明計(jì)算，透明智能

值得一提的是，"VLA Models Are More Generalizable Than You Think"獲得了首屆CVPR Compute Transparency Champion Award，這是 CVPR 2026 Compute Reporting Initiative 的最高認(rèn)可，表彰其在計(jì)算資源、實(shí)驗(yàn)方法和可復(fù)現(xiàn)細(xì)節(jié)上的示范性報告。

這一榮譽(yù)和論文的研究主題形成了有意思的呼應(yīng)。具身智能需要模型理解真實(shí)世界，研究過程本身也需要真實(shí)、透明、可復(fù)現(xiàn)。

從空間建模與物理建模的分離，到原生世界動作模型的提出，再到計(jì)算資源與方法細(xì)節(jié)的公開報告，這項(xiàng)工作同時推進(jìn)了兩個方向的透明化：讓機(jī)器人更清楚地理解物理世界，也讓研究社區(qū)更清楚地理解智能模型是如何被訓(xùn)練、評估與復(fù)現(xiàn)的。

這兩個方向的透明化，最終指向同一件事。

在世界模型、空間智能和物理智能快速匯合的當(dāng)下，這兩篇論文提供了一個簡潔但重要的判斷：對 VLA 的有效改進(jìn)，不應(yīng)只是把語言、視覺和動作繼續(xù)堆疊，而應(yīng)重新理解空間與物理的關(guān)系，并在此基礎(chǔ)上構(gòu)建真正原生于物理世界的動作模型。

上車，帶你看遍全球 AI 頂會精華

可獨(dú)家暢覽：

專家演講PPT

大會報告全文

熱門論文解讀

學(xué)術(shù)新星訪談