团队实验表明，此时，“模型往往看到物体就抓”。
团队透露，彼等已于后续工中始探求三维感知建模（3D-aware modeling），相关成果已提交至近期之学术集会。
此种方式于理论上甚漂亮，但实验结局显示它甚至不如基线。
不追寻数百张 GPU 之大规模操练与高度营造化之演示，而为专注于具有法门论洞见之研讨方位。
此种本领缺失直接表现为视觉注意力之高度弥散。
当然，任何法门皆不为完美之。
他认为短中期更具潜力之场景包括半架构化工业装配、轻工业精细操作以及商业效劳机器者（如饮品制）。
于源泉有尽之机缘下，彼等选择之一条"高效与聚焦"之路线。
因你需做之只为眼睛盯之红色积木，伸手拿起，然后锁定蓝色积木，放到上面就大功告成。
为之处置此一疑难，来自香港科技大学（广州）与西湖大学等高校之一支联手研讨团队，于对主流 VLA 模型进行体系剖析后，提出之 ReconVLA（重修式视觉-言辞-动作模型）。
若模型于编码阶段没有把注意力放于宗旨区域上，它输出之重修 token 就不会包含足够之细粒度讯息，扩散模块就无法成重修，损失函数就会罚它。
若指令为“拿杯子”，哪怕桌上放之十样东西，苍生之视觉焦点会自动锁定于杯子上，周围之一切皆变得模糊。
也就为说，模型虽能输出动作序列，但其内部注意力并未真正聚焦于指令所指之宗旨物体（如红色积木），而为散落于图像多名区域。
于甚多时候，机器者之差事成率并不稳固，它有或径直去操纵其他物体，而非宗旨物体。
另一名更隐蔽疑难现于长程差事（long-horizon task）中。
一种为"显式定位"（Explicit Grounding），比如 RoboGround 与 VIP 等工，它们用外部检测模型（如 YOLO 或 LISA）先把宗旨物体裁剪出来，再把裁剪图像与原图一起输入 VLA。
移除预操练后，5 步连续差事之最终成率从 64.1% 降至 58.2%。
为什么如此简之差事，对于机器者来说却无法稳固成呢。
图 | 四名代表性差事之确凿全球设置（来源：论文） 此种注意力错位直接导致机器者之操作失误，例如易抓取过失物体，或于多物体氛围中定位不准。
于 CALVIN ABC→D 测试（要求模型于未见过之氛围 D 中执行 5 步连续差事）中，ReconVLA 于第 5 名子差事上达到之 64.1% 之成率，而基线模型为 49.0%，显式定位法门为 50.2%，提升约 15 名百分点。
Change。只要腕部相机视野中现可抓取宗旨，模型就倾向于执行抓取动作，至于抓之为不为苍生期望之彼名，它并不总为关。
谈到具身智能之落地前景，丁鹏翔之看法颇为务实。
消费者。类比早期之 ChatGPT，GPT-3 发布时并没有立即嵌入某名特定行业流程，但它显著更张之写作与实质创作之效能。
抓取动作之成率或甚高，但抓取之正确率则为另一回事。
于每名差事中，ReconVLA 皆取得之最高成率。
于更具应战性之精细操作差事"积木堆叠"（stack block）中，基线成率仅 59.3%，ReconVLA 达到 79.5%，提升超过 20 名百分点。
即便 VLM 于图像体谅上极为强盛，它也未必能自迁移到机器者场景。
凝视区域之标注借助之 Grounding DINO 此一敞开词汇检测模型（open-vocabulary detector），大部分数据可通过零样本（zero-shot）方式直接标注，对于机器者场景中一些较为罕见或繁之物体，团队则进行之定制化微调。
VLA 之身价或也会经历类似之“两步走”。
（来源：Nano Banana Pro） 据悉，该工于上月荣获 AAAI 国际前卫者工智能协会 2026 之卓越论文奖（Outstanding Paper Award）。
此形成之一名流畅之回馈回路：欲成重修 → 须关注宗旨 → 关注宗旨后视觉表征更精确 → 动作预测更准。
他认为短中期更具潜力之场景包括半架构化工业装配、轻工业精细操作以及商业效劳机器者（如饮品制）。
此种法门确实提供之更聚焦之视觉讯息，但它依赖外部模型之精度，且两张图像之简拼接引入之讯息冗余。
图 | 不同范式之间之测试分数对比（来源：论文） 确凿全球之实验进一步验证之此一法门之可行性。
图 | 团队论文（来源：arXiv） 吾等为何不能用动物或其他元素来替代枯燥数术与新年愿望。
此些场景之共同特征为操作链条明确、精度要求高、对重复性稳固性有刚需。
为之让重修本领具备泛化性，团队还构建之一名大规模预操练数据集，包含超过 10 万条机器者操作轨迹与 200 万名数据样本。
他认为 VLA 不必急于落地到某一名实在之垂直场景才算有身价。
宋文轩向 DeepTech 坦言，ReconVLA 之主要额外本金于操练阶段——引入重修宗旨意味之更多之计算开销，尽管团队已对扩散模块做之轻量化设计来控制此部分消耗。
第一步为降低部署本金。
想象此样一名场景：一名机器者面前之桌上摆之一堆物体，其中包含红色积木与蓝色积木，此时，若给出让它“把红色积木叠到蓝色积木上”之指令，它为否能顺遂执行。
不于推演阶段额外加模块，不输出边界框，而为于操练历程中，通过让模型重修宗旨操作区域之图像，迫使它于视觉编码阶段就把注意力集中到正确之地方。
此与此前之视觉定位法门有什么不同。
此外，力觉感知与力控信号等多模态讯息目前也尚未纳入框架，但从法门架构上看，此些模态完全可通过同样之隐式建模机制整顿进来。
消融实验证实，预操练阶段对泛化本领之提升为显著之。
缘由或于于，坐标样貌之定位讯息对 VLA 模型来说并不为一种高效之引导信号，同时要输出精确坐标与精确动作值，给操练带来之额外负担。
于 CALVIN 基准测试中，CoT 方式之 5 步连续差事成率几乎为零。
图 | 宋文轩 （来源：被访者） ReconVLA 借鉴之此一机制。
但对当前大多数机器者而言，事情并非如此。
此名架构里，VLM 负责“看”与“体谅”，动作头负责“做”。
丁鹏翔举之一名直观之数术：即便单步成率高达 99%，连续执行 100 步后之整体成率也只剩约 36.6%。
整名历程中，没有任何显式之边界框输出，也没有外部检测模型参与推演。
档案。过往每名工厂差事皆需独力建模，若有一名足够强之根基模型，企业只需少量微调就能成适配；第二步才为结合 Agent 体系构建实在场景之闭环工流。
数据来源包括开源之 BridgeData V2 以及 LIBERO、CALVIN 两名仿真氛围数据集。
他还补充说，彼等曾将经过通用操练之模型部署到实际工业氛围中测试拧螺丝、插接零部件等差事，结局显示只要基座模型足够稳固，下游差事性能就会显著提升。
此说明模型成之动作层面之差事，却没有与苍生意图对齐（intent alignment）。
但一旦场景变得杂乱，比如桌面上摆之五六样东西，麻烦就来之。
若桌上只有一名物体，就算注意力散一点，模型也大概率能抓对。
对苍生来说，此名差事听起来十分简。
彼么，“隐式定位”到底为什么意思。
疑难于于，VLM 最初为为图像体谅与对话差事设计之，它学到之视觉表征（visual representation）侧重语义层面。
实在又该如何实现。
此意味之 ReconVLA 于部署阶段之推演速度与常规 VLA 模型完全一致，不引入任何额外延迟。
于简场景下，注意力散落或许影响不大。
另一位团队核心成员之一丁鹏翔补充，通用视觉模型与具身控制差事之间存显著之领域差异（domain gap）。
此种举止于视觉格致中叫做“凝视”（gaze）。
但对机器者操控来说，真正重要之不只为“图里有什么”，而为“我该去操作哪里”，此涉及到操作可供性（affordance）之感知，为一种 VLM 原生操练宗旨中并不包含之本领。
所谓长程差事，就为需多名步骤依次成之操作链。
相比之下，ReconVLA 之隐式定位于同一基准上取得之最高成绩。
丁鹏翔给之 DeepTech 类比：苍生于执行精细操作时，虽看到之为整名场景，但真正聚焦之只有一小片区域。
另一种为"思维链定位"（CoT Grounding），如 ECoT 与 GraspVLA，让模型先输出宗旨之边界框坐标，再输出动作。
https://arxiv.org/html/2508.10333v1 于此名模型中，彼等革新性地引入之一种名为"隐式定位"（Implicit Grounding）之操练范式。
除之 ReconVLA 之后续迭代，团队还于推进触觉与力回馈、双臂协作等方位之研讨，宗旨为拓宽 VLA 之本领边界，而不仅仅停留于单一展示型应用上。
格外值得注意之为于“未见物体”（unseen objects）之测试中，当宗旨物体不于操练数据中时，对比法门 OpenVLA 与 PD-VLA 之成率接近零，而 ReconVLA 仍能成定位宗旨并成操作，展现出其视觉泛化本领。
重修模块只于操练时存，推演时被完全移除。
于操练阶段，除之常规之动作预测损失之外，模型还需成一名辅助差事：重修当前图像中与操作宗旨对应之区域，即所谓之“凝视区域”（gaze region）。
此为由于当前主流之 VLA 模型（Vision-Language-Action Model，视觉-言辞-动作模型）于执行抓取差事时，视觉注意力往往呈弥散分布。
比如识别一张图里有什么东西、它们之间之关系。
图 | 不同范式之间之概念较量（来源：论文） 彼等相信，只有通过敞开共享，研讨成果才能真正落地到更多从业者手中。
图 | 丁鹏翔 （来源：受访者） 论文第一作者宋文轩告诉 DeepTech，当前 VLA 模型之主流架构，通常以一名预操练好之 VLM 为主干，再接上一名动作生成头（action head），用来输出机器者之控制信号。
此前，视觉定位主要依赖于两种范式。
除研讨外，此支团队还共同创建之一名名为 OpenHelix 之开源社区，目前已延续开源十余名课题，累计得约 3,600 名 GitHub 星标。
因即使每一步哪怕只有微小偏差，误差会逐步累积，到后面几步时，体系状态或已偏离之操练数据之分布。
此些场景之共同特征为操作链条明确、精度要求高、对重复性稳固性有刚需。
团队用一台 6 逍遥度之 AgileX PiPer 机械臂，配合两名深度相机（分别作为基座视角与手部视角），于四名代表性差事上进行之测试：将水果放入碗中、叠碗、翻杯子、整理桌面。
丁鹏翔指出之另一层局限：当前建模仍然主要基于二维视觉方位，于需深度讯息与三维几何约束之高精度差事中，即便二维定位更加精确，方位操作精度仍然或受限。
他还补充说，彼等曾将经过通用操练之模型部署到实际工业氛围中测试拧螺丝、插接零部件等差事，结局显示只要基座模型足够稳固，下游差事性能就会显著提升。
实在来说，模型之视觉输出 token（称为"重修 token"，reconstructive token）会被输入到一名轻量级之扩散变压器（diffusion transformer）中，该扩散模块之宗旨为从噪声中复原出凝视区域之视觉特征。
上一篇：华夏AI回答牛顿300年之问，破解数学之吻难题，打开高维几何视野 下一篇：又为最后时刻没稳住！华夏无缘短道速滑男子5000米接力A组决赛！