VLA-0

VLA-0: Building State-of-the-Art VLAs with Zero Modification进阶

英伟达提出的极简 VLA：不改模型结构，让 VLM 直接把动作写成数字文本。

VLA-0 是英伟达 Ankit Goyal 等人 2025 年 10 月发布的工作。常见 VLA（视觉-语言-动作模型）要么往视觉语言模型词表里加专门的动作 token，要么外挂动作头；VLA-0 什么都不改，直接让 Qwen2.5-VL-3B 用普通文本输出动作：把每个连续动作维度归一化成 0–1000 的整数写出来，再解码回去。论文指出要让这种做法好用，需要几项技巧：训练时随机遮掉目标数字串里的字符，逼模型看图而不是顺着文本续写；推理时把相邻时刻的预测做集成平均。结果在 LIBERO 上平均成功率 94.7%，超过同样只用该基准数据训练的 OpenVLA-OFT、SmolVLA 等，也超过用了大规模机器人数据预训练的 π0、GR00T N1 等；真机 SO-100 上比 SmolVLA 高 12.5 个百分点。它提醒大家先把简单基线做扎实。