RoboMonkey

RoboMonkey: Scaling Test-Time Sampling and Verification for Vision-Language-Action Models进阶

部署时多采样几组动作、再用 VLM 验证器挑最优，提升 VLA 鲁棒性

RoboMonkey 由斯坦福、加州大学伯克利分校和英伟达的研究者在 2025 年 6 月发布，CoRL 2025 录用，把大语言模型里的「推理时扩展」思路搬到 VLA 上。它不改动原策略：部署时先从 VLA 采样若干动作，加高斯扰动并用多数投票构造候选集，再由一个基于视觉语言模型的动作验证器打分，选出最好的一组执行。验证器用自动合成的偏好数据训练（按候选动作与真值动作的距离排序），作者发现合成数据越多验证越准，动作误差与采样数量之间也呈近似幂律关系。配合 OpenVLA 等模型，它在分布外任务上绝对提升 25%，分布内提升 9%；优化后的服务引擎约 650 毫秒即可采样并验证 16 个候选动作。