（一）趋势一：高效架构新范式—— 离散扩散模型

1.核心优势：相较于自回归模型 “逐词生成” 的低效模式，离散扩散模型可并行化生成完整动作序列，显著提升推理效率； 同时支持 “动作 + 推理过程”并行生成（即具身思维链 ECoT）。

2.代表研究：《 DISCRETE DIFFUSION VLA》《dVLA》等，在LIBERO 评测任务中表现优异。

（二）趋势二：具身思维链（ ECoT）—— 让机器人  “先想后做”

1.核心思想：生成具体动作前，先产出中间推理步骤（如文本规划、视觉感知、轨迹构图） ，以此增强机器人的任务计划能力与行为解释性，提升复杂场景下的泛化能力。

2.当前挑战：对高质量标注数据依赖度极高，但此类数据目前仍处于稀缺状态。

3.代表研究：《ACTIONS AS LANGUAGE》《 EMBODIED-R1》，通过 “推理 - 动作解耦”设计，在 SIMPLER 评测中表现突出。

（三）趋势三：动作分词器—— 连接 “大脑”（VLM）与“身体”（机器人）的桥梁

1.核心作用：将机器人连续、高频的原始动作，转换为视觉 - 语言模型（VLM）可理解的离散 “词汇”，为语言驱动机器人控制奠定基础。

2.技术进展：

1. FASTer Tokenizer：结合残差矢量量化技术，平衡动作压缩率与动作连续性，避免信息丢失。

2.   OmniSAT：利用B 样条曲线对动作进行建模，实现更紧凑的动作表达。

（四）趋势四：强化学习（ RL）作为微调利器

核心价值：弥补模仿学习在极端场景（如突发干扰、非标准任务环境）下的性能不足，用于微调 VLA 策略，提升模型鲁棒性。

1.关键技术：

1. 残差RL：在冻结的VLA 基础策略上，叠加轻量级 “残差策略”，仅对关键任务环节进行干预，降低训练成本。

2.   阶段感知RL：将复杂任务拆解为语义明确的子阶段，分阶段开展训练，提升任务适配性。

2.效果表现：相关模型在LIBERO、SIMPLER 评测中的任务成功率可达 98%-99%。

（五）趋势五：效率优化—— 推动 VLA “平民化”

1.核心目标：解决VLA 模型规模庞大、训练 / 推理成本高昂的问题，降低研究与应用门槛。

2.技术方向：

1. 推理效率优化：如 HyperVLA 采用超网络架构，可动态生成轻量级子网络，适配不同算力场景。

2. 显存占用优化：如AutoQVLA 通过智能量化技术压缩模型参数，减少显存消耗。

（六）趋势六：视频预测—— 赋予 VLA “物理直觉”

1.核心思路：利用具备时序动态理解与物理规律学习能力的视频生成模型，作为VLA 的强先验知识，让模型具备 “想象未来” 的能力。

2.实现路径：

1. 路径1：在现有视觉- 语言模型（VLM ）基础上，新增“未来帧预测” 任务，强化时序感知能力。

2. 路径2：直接微调视频生成大模型（如Cosmos），使其适配动作生成任务。

3.核心价值：提升VLA 对物理世界规律的理解，减少因环境误判导致的动作失误。

（七）趋势七：更真实的评测基准—— 打破 “仿真高分、现实失效” 的过拟合困境

1.核心问题：现有评测集（如 LIBERO、CALVIN ）任务场景趋于固化、数据接近饱和，模型在评测中易获得高分，但高分性能难以迁移到真实物理环境，存在  “过拟合”风险。

2.新基准代表：

1. 《ROBOTARENA ∞》：构建 “真实场景 →仿真环境” 的自动评估框架，缩小评测与现实的差距。

2. 《RoboCasa365》：大规模仿真环境，涵盖365 种日常任务、2000 + 厨房场景，提升任务多样性。

3. 《WorldGym》：采用生成式世界模型构建动态评测环境，避免场景固化，推动模型泛化能力提升。

（八）趋势八：跨体态学习 —— 通用机器人的  “必经之路”

1.核心挑战：让单一VLA模型能够驱动不同结构（如单臂、双臂、轮式底盘、履带式底盘）、不同动作空间的机器人，打破 “一模型一机器人” 的局限。

2.技术方案：

1. 《X-VLA》：通过软提示（Soft Prompt）技术，为不同机器人学习专属适配模块（适配器）。

2. 《XR-1》：提出“统一视觉 - 运动编码”方案，将不同机器人的视觉输入与运动输出映射到共享特征空间，形成通用 “词典”。

3. 《HIMOE-VLA》：采用层级式混合专家（Hierarchical Mixture of Experts）架构，让模型自动适配新机器人的 “身体结构”。