动作思维链

Action Chain-of-ThoughtACoT进阶

让 VLA 先在动作空间里推出一条粗轨迹，再据此生成精细动作

思维链原指大模型先写出中间推理步骤再给答案。VLA 里已有的推理方式多是先预测子任务文字或生成目标图像，这些中间结果都不是动作本身。北京航空航天大学与智元机器人团队 2026 年 1 月提出 ACoT-VLA（已被 CVPR 2026 接收），主张直接在动作空间里推理：显式动作推理器（EAR）用流匹配先生成一条粗粒度参考轨迹；隐式动作推理器（IAR）用可学习查询从 VLM 内部特征中提取潜在动作先验；两路信息再通过交叉注意力引导动作头输出最终动作序列。论文报告 LIBERO 平均成功率 98.5%。它可以看作具身思维链、视觉思维链之后的另一种推理形式。另有 2026 年的导航工作也用 Action-CoT 指代逐步的动作推理。