VLAct：表示中心的VLA继续预训练

论文元信息

标题：Beyond Data Scaling: Representation-Centric Continued Pre-training for Vision-Language-Action Models

作者：Senqiao Yang、Chengyao Wang、Yuxin Chen、Zixuan Wang、Longxiang Tang、Haokun Gui、Jinhui Ye、Changsheng Lu、Xiaoyang Wu、Mingkang Zhu、Pengguang Chen、Shu Liu、Zhuotao Tian、Hengshuang Zhao、Bei Yu、Jiaya Jia

链接：arXiv:2608.27550（v2）· 项目页 starvla.github.io/VLAct · 代码 github.com/starVLA/VLAct（已开源，MIT 许可，训练脚本与权重承诺释放）

训练语料：DROID、InternA1、RoboCoin、MolmoAct 四套全开源机器人数据，混入字幕数据做表示锚定；基座为 Qwen3-VL-4B，训练框架为 StarVLA。

算力：继续预训练 16 卡；真机微调 8×H800、5 万步。全部结果在固定下游微调协议下取得。

一句话总结

VLAct 把 VLA 继续预训练从「在预训练分布上拟合动作」改写为「塑造可迁移的视觉-动作表示」：浅层保护与字幕混合保住 VLM 先验，多头协同监督防止表示坍缩到单一动作头，部分统一动作空间与 wrap-aware 损失对齐跨本体动作语义，最终用 16 卡与全开源数据训出超越多个工业级系统的骨干。

研究背景与动机

视觉与语言基础模型的进步长期由数据、参数与算力三条 scaling 曲线驱动。这条范式之所以成立，并不只是因为语料体量大，而是因为网页语料天然覆盖了极宽的视觉与语义变化。VLA 模型自然想继承同一范式：更多机器人轨迹，原则上应当支撑更通用的机器人策略。

但机器人轨迹无法从网页抓取。它们必须通过具身执行产生，依赖人类遥操作或精心设计的数据采集协议；而策略需要泛化的空间是组合且连续的，横跨场景、物体、任务目标、本体与接触动力学。于是即便最大的机器人数据集，也只是物理交互空间的稀疏采样，覆盖既不完整也不均匀。

这并不否定规模的价值，而是改变了规模应当扮演的角色。如果继续预训练无法指望穷尽覆盖，那么它的成败就不只取决于采了多少轨迹，而取决于这些轨迹能否诱导出可迁移的视觉-动作表示。论文因此提出一个固定预算下的问题：在机器人数据预算给定时，继续预训练怎样才能学到超越训练轨迹本身的表示？

论文的回答是表示中心视角：把继续预训练看作把机器人轨迹蒸馏为骨干中可复用的视觉-动作知识的过程。一个有用的 VLA 骨干不仅要预测预训练数据里的动作，还要内化关于物体、可供性、空间关系与动作条件下物理交互的可迁移先验，供下游策略在新任务、新场景、新本体上复用。

需要澄清术语。这里的「继续预训练」指从一个已预训练好的 VLM 出发，在任何下游任务微调之前，先在广域、多本体机器人轨迹上训练；而非从零预训练基础模型。π0、π0.5、GR00T N1/N1.5 等通用 VLA 系统采用的正是这一设定，通常称之为 VLA pre-training，论文改用更精确的说法。

预备知识：四类动作头

论文的几乎所有设计都围绕「动作头」这一轴展开，因此先固定四种代表性动作头的定义。FAST 保留 VLM 的自回归接口，把动作块编码为离散动作 token 序列 $z_{1:M}=\mathrm{Tok}_{\mathrm{FAST}}(A_t)$，用标准下一 token 预测目标训练：

$$\mathcal{L}_{\mathrm{FAST}}=-\sum_{m=1}^{M}\log p_\theta(z_m\mid H_t,\,z_{<m})$$

推理时自回归生成 token 再经逆 tokenizer 还原连续动作。OFT 去掉 tokenizer，在骨干序列后追加固定数量的动作查询 token，用小 MLP 并行回归整个动作块：

$$\mathcal{L}_{\mathrm{OFT}}=\frac{1}{K\,d_a}\sum_{k=0}^{K-1}\left\|g_\phi(h^{\mathrm{act}}_{t,k})-a_{t+k}\right\|_1$$

PI 与 GR00T 则用流匹配生成连续动作块：采样噪声 $\epsilon\sim\mathcal{N}(0,I)$ 与流时间 $\tau\in[0,1]$，沿线性概率路径 $A_t^\tau=(1-\tau)\,\epsilon+\tau\,A_t$ 学习速度场 $u_t=A_t-\epsilon$，训练目标为

$$\mathcal{L}_{\mathrm{PI}}=\mathbb{E}_{A_t,\epsilon,\tau}\left[\left\|v_\phi(A_t^\tau,\tau;H_t)-(A_t-\epsilon)\right\|_2^2\right]$$

GR00T 的目标形式相同，但把流匹配放进显式分离的双系统架构：VLM 充当慢速语义模块，DiT 风格的动作模块充当快速运动生成模块，并以机器人状态 $s_t$ 与本体标识 $e$ 为条件。四者的共同点是都在监督「未来动作块」，差异在于解码几何：离散自回归、一次性回归、迭代流匹配、双系统流匹配。这一差异正是后文表示坍缩问题的来源。

方法详解

图1：VLAct 总览。朴素的 VLA 预训练过拟合预训练场景，在新任务、新环境、新本体、新动作头上全部失效；VLAct 以表示为中心的预训练同时改善仿真基准与真机实验。

动机实验：动作监督如何重塑骨干

论文先做一个控制实验（图2）：固定 Qwen3-VL-4B 骨干，只改变预训练与微调所用的动作头，观察骨干表示如何被重塑。结论有两条。其一，离散监督可以迁移但损失信息：FAST 预训练的骨干换上连续 GR00T 头后略优于从零微调，但保留 FAST 头本身远差于连续头，说明离散 token 只教了粗动作结构，丢掉了操纵所需的细粒度时间与幅值信息。

图2：动作监督重塑 VLA 骨干表示。FAST 预训练可迁移到 GR00T 头但受离散化信息损失限制；OFT 预训练在同头微调时提升明显，换到 PI 或 GR00T 头却显著退化，呈现头特定的表示坍缩。

其二，单头连续监督会诱发「头特定表示坍缩」：OFT 预训练在下游仍用 OFT 时提升很大，但同一骨干配 PI 或 GR00T 头时表现很差。动作信息并非不存在，而是被组织成只对预训练头友好的几何形态，其他头解不出来。同头成绩因此高估了骨干的可复用性。论文把这一现象在附录中称为 decoder lock-in。

由此得到三条朴素继续预训练的失效模式：端到端全量更新会侵蚀宽域视觉-语言特征；单一动作头监督使骨干过特化到该头的解码几何；本体专属输出空间把物理上可比的行动（如夹爪开合）隔离在各自头部里。VLAct 的三个组件分别对应这三条。

组件一：浅层保护与字幕混合，保住 VLM 先验

图6：逐层注意力可视化。低层广泛关注视觉与空间信息，深层聚焦语义与任务相关区域，这构成冻结视觉编码器与下半 LLM 层的依据。

机器人轨迹的视觉多样性远低于网页语料：固定机位、重复的操纵场景、本体特定的动作相关性。若预训练时端到端更新全部参数，窄分布的梯度会在模型学会稳健的动作条件特征之前，就把骨干推离它原有的通用表示。逐层注意力可视化（图6）显示低层承载宽域视觉与空间信息、深层承载语义与任务区域，因此论文在预训练阶段冻结整个视觉编码器与 LLM 的下半层，只更新上半层与动作头；下游微调时再全部解冻。这一简单策略在 LIBERO-Plus 上带来 3.7 个点、在 Agilex 上带来 3.4 个点的提升（附录 C：全量更新 78.9，只冻视觉编码器 81.3，冻视觉编码器加下半 LLM 82.6）。

字幕混合是第二个锚。论文对比五类辅助监督（字幕、BBox-QA、Point-QA、Spatial-QA、纯语言指令），发现字幕数据的单一来源增益最强：LIBERO-Plus 从机器人-only 的 75.0 提升到 82.6。原因直观——详细字幕在物体、属性、空间关系与场景上下文上提供稠密监督，最接近原 VLM 的预训练分布。每个预训练 batch 同时含机器人样本与辅助样本，目标为

$$\mathcal{L}_{\mathrm{total}}=\mathcal{L}_{\mathrm{action}}+0.5\,\mathcal{L}_{\mathrm{VLM\text{-}CE}}$$

其中 0.5 是辅助交叉熵的固定权重。值得注意的是纯语言指令数据也能带来增益：它与机器人感知和控制毫无直接关系，其增益只能解释为表示层面的「保 regime」与特征更新多样化，而非任务迁移。

组件二：多头协同监督，把头的多样性变成监督信号

针对头特定坍缩，VLAct 在同一骨干上并行挂三个连续头 OFT、PI、GR00T。给定同一视觉-语言输入，骨干产出共享隐表示 $z$，三个头各自从 $z$ 预测同一真值动作块，目标为三者之和：

$$\mathcal{L}_{\mathrm{action}}=\mathcal{L}_{\mathrm{OFT}}+\mathcal{L}_{\mathrm{PI}}+\mathcal{L}_{\mathrm{GR00T}}$$

设计刻意简单：不引入新动作头，也不引入对齐模块，而是用头的多样性本身作监督。三个头对同一动作预测问题施加不同的目标与解码偏置，骨干就无法依赖只对某一个头有用的特征；要同时压低三个损失，它必须把动作信息编码成多种参数化都能读取的形式。由于三个头共享同一次骨干前向，多头监督只增加轻量的头部计算，不重复骨干计算。

协同监督因此承担两个角色：让骨干更头无关，改善向替代下游头的迁移；同时正则化表示，即使下游头与预训练头相同也更强。附录 E 的实验把这两点分开验证。以 PI 为下游微调头：无预训练 60.5；仅 OFT 预训练反而降到 55.1（lock-in）；OFT+GR00T 预训练（PI 未参与）升到 63.1；三头全参与时 77.0。加入第二个预训练头，把「未见头」的微调结果从低于从零基线拉回高于基线，这正是多样性减少 decoder lock-in 的直接证据。

同头适配也不吃亏：对 OFT、PI、GR00T 三个下游头，头多样性预训练相对单头预训练分别提升 1.7、1.6、4.3 个点（61.7→78.8→80.5、60.5→75.4→77.0、51.2→71.7→76.0 的链条中最后两环）。增益温和，但说明多头监督没有以牺牲同头性能为代价。

组件三：部分统一动作空间与 wrap-aware 损失

图4：三种跨本体输出设计对比。本体专属头隔离监督；完全统一空间会把物理含义不同的坐标强行对齐；VLAct 只在物理可比的维度（如夹爪开合）上共享坐标，其余维度掩码。

跨本体的常见做法是每个机器人挂一个专属头或输出投影，灵活但把共享结构藏进各自头部；另一种极端是把低维本体 padding 到公共维度的完全统一空间，会把物理含义不同的坐标 naive 地对齐。VLAct 取中间路线：一个共享动作头，每步输出固定 20 维向量 $\hat{a}_{t+k}\in\mathbb{R}^{20}$，维度按「本体角色」分配：第 1–6 维为双臂本体（如 AgileX）左臂 6 个绝对关节角，第 7–12 维为右臂 6 个绝对关节角，第 13–18 维为单臂本体（如 Franka）的 6 维 delta 末端位姿，第 19 维为共享夹爪坐标（Franka 单夹爪与 AgileX 左夹爪共用），第 20 维为双臂本体的右夹爪坐标。

训练时每个样本只在其本体的活跃维度上贡献损失，非活跃维度被掩码。这一布局保留各语料原生的底层动作约定（Franka 用 delta eef，AgileX 用绝对关节角），不强迫所有本体进入同一控制器参数化，只在角色层面对齐输出坐标；架构上不需要本体适配器、路由模块或本体条件解码器。消融（附录 I.2）显示：分离头 78.5/81.1（RoboTwin/LIBERO-Plus），统一头但不做空间对齐 79.5/81.4，完整统一动作表示 80.5/82.6。

最后一个细节是周期关节的角度回绕。绝对关节角定义在周期空间上：$\pi+\epsilon$ 与 $-\pi+\epsilon$ 物理上几乎同一姿态，数值却相差近 $2\pi$。论文先在数据侧把所有绝对关节角维度回绕到规范区间：

$$a_{\mathrm{wrap}}=(a+\pi)\bmod 2\pi-\pi$$

再在损失侧修正边界处的距离度量：当目标接近 $-\pi$ 而预测接近 $+\pi$ 时，朴素残差接近 $2\pi$，物理上却几乎为零。定义回绕残差

$$\delta_{\mathrm{wrap}}=\big((\hat{a}-a)+\pi\big)\bmod 2\pi-\pi,\qquad \mathcal{L}_{\mathrm{wrap}}=\left|\delta_{\mathrm{wrap}}\right|$$

并把它加到每个头原有的目标上，得到每个头的最终目标

$$\mathcal{L}^{(h)}_{\mathrm{total}}=\mathcal{L}^{(h)}_{\mathrm{action}}+\mathcal{L}^{(h)}_{\mathrm{wrap}}$$

对 OFT 该作用在直接回归输出上；对 GR00T 与 PI 作用在去噪/流匹配生成结束后的最终动作样本上，而非中间噪声或速度预测。该项只施加于绝对关节角维度，夹爪命令与 delta 末端平移等非周期维度排除在外。RoboTwin 基线设置下的消融：直接回归原始关节角 75.5，加数据侧统一关节空间 78.6，再加 wrap-aware 损失 80.5。

整体流程与代码对应

flowchart TB
  subgraph PT["VLAct 继续预训练 16 GPU"]
    A["开放机器人数据 DROID InternA1 RoboCoin MolmoAct"] --> B["Qwen3-VL-4B 共享骨干"]
    C["字幕混合 LLaVA-ReCap-CC3M OneVision"] --> B
    B --> D["浅层保护 冻结视觉编码器与下半 LLM"]
    B --> E["多头协同监督 OFT PI GR00T 共享同一隐表示"]
    B --> F["部分统一动作空间 20 维布局 掩码非活跃维"]
    E --> G["wrap-aware 损失 周期关节残差取模"]
    F --> G
    D --> H["L_action 加 0.5 倍 L_VLM-CE"]
    E --> H
    G --> H
  end
  subgraph FT["下游微调 固定协议"]
    I["丢弃预训练头与字幕流"] --> J["重新初始化任务专属动作头"]
    J --> K["LIBERO-Plus VLA-Arena RoboTwin2.0 DOMINO"]
    J --> L["RoboCasa-GR1 RoboDojo 真机 Franka"]
  end
  H --> I

开源仓库 starVLA/VLAct 中可以逐条对上论文的三个组件。wrap-aware 损失落在 starVLA/model/modules/action_model/flow_matching_loss.py：blend_angular_wrap_abs_error 用 torch.remainder(raw_diff + math.pi, 2*math.pi) - math.pi 计算回绕残差，并以 0.5/0.5 的混合系数并入原始绝对误差，再由 angular_mask 限定只作用于关节角维度；OFT 框架在 QwenOFT.py:309 调用它，PI 与 GR00T 头则走 flow_matching_loss_with_endpoint_wrap。部分统一布局落在 starVLA/model/framework/QwenHybrid_xrobot_padding.py：DISJOINT_ACTION_LAYOUT_DIM = 20、DISJOINT_DUAL_ARM_JOINT_SLICE = slice(0, 12)、DISJOINT_SINGLE_ARM_EEF_SLICE = slice(12, 18)，配合 MULTI_ROBOT_ACTION_SPECS 按 robot_tag 校验各语料动作维度（franka/oxe_droid 为 7 维 delta eef，interna1_split_aloha/robocoin 为 14 维关节加夹爪），三个头共享同一次编码器前向。浅层保护则不是新代码，而是配置驱动：training/trainer_utils/trainer_tools.py:151 的 freeze_backbones 按 config.trainer.freeze_modules 的模块路径列表冻结子模块。

实验结果

实验协议是这篇论文论证力的关键：在所有 VLAct 对比中，唯一变化的是 VLM 骨干权重——动作头及其全新初始化、下游数据、优化器与微调预算全部相同。因此 7.6 到 21.4 个点的增益只能归因于骨干表示本身。预训练只用全开源数据与 16 卡。

单臂 Franka。LIBERO-Plus 在标准 LIBERO 训练、扰动测试集评估的设定下，VLAct 以 82.6 的总分超过同骨干同头的 Qwen3VL-OFT（75.0）7.6 个点，也超过阿里的大规模系统 Abot-M0（80.5）2.1 个点；增益集中在 Camera、Robot、Noise、Layout 四个扰动维度，说明表示层面的预训练带来的是更稳健的视觉-空间表示。VLA-Arena 上 VLAct 在 Safety、Distractor、Extrap.、Long-H. 四个轴上全部第一，平均 54.8，比同骨干基线高 21.4 个点，比最强公开基线 π0.5 高 10.5 个点，其中 Long-Horizon 与 Safety 分别领先 21.0 与 11.7 个点。

方法	Camera	Robot	Lang.	Light	Bg.	Noise	Layout	总分
OpenVLA-OFT	56.4	31.9	79.5	88.7	93.3	75.8	74.2	69.6
π0	13.8	6.0	58.8	85.0	81.4	79.0	68.8	53.6
π0-FAST	65.1	21.6	61.0	73.2	73.2	74.4	68.8	61.6
Abot-M0	60.4	67.9	86.4	96.2	91.6	86.4	82.6	80.5
Qwen3VL-OFT（同骨干基线）	47.0	60.1	87.0	96.3	95.3	73.1	79.2	75.0
VLAct	73.9	68.4	81.5	96.7	96.7	86.0	83.3	82.6

表1：LIBERO-Plus 各扰动维度成功率（%）。所有模型在标准 LIBERO 上训练、在扰动测试集上评估。

双臂 AgileX。RoboTwin 2.0 的 Base 设置每任务仅 50 条干净轨迹，VLAct-OFT 达到 80.5，比同骨干基线 61.7 高出近 19 个点；Data Scaling 设置下达到 Clean 92.5 / Random 90.8，超过 InternVLA-A1、Being-H0.7、Motus、LingBot-VLA、Abot-M0 与 π0.5，仅略低于 HoloBrain-0 与 Fast-WAM。更值得注意的是头无关性：同一 VLAct 骨干换 GR00T 头为 76.0/89.6/87.4，换 PI 头为 77.0/93.0/88.8，PI 头甚至拿到最高 Clean 成绩，三个头彼此相差不到 3.4 个点——迁移的确实是骨干表示而非某个头。动态操纵基准 DOMINO 上，VLAct-OFT 以 18.50 的成功率与 34.20 的操纵分双双第一，比同骨干基线高 7.64 与 3.71。

方法	族	Base（Clean）	Data Scaling（Clean）	Data Scaling（Random）
π0	Flow	46.4	65.9	58.4
π0.5	Flow	60.2	82.7	76.8
LingBot-VLA	Flow	–	88.6	86.7
Abot-M0	AML	–	86.1	85.1
InternVLA-A1	Flow	–	89.4	89.6
Being-H0.7	Flow	–	90.2	89.6
Fast-WAM	WAM	–	91.9	91.8
HoloBrain-0-QW	Diff.	–	91.9	92.3
Qwen3VL-OFT（同骨干基线）	OFT	61.7	88.2	88.3
VLAct（OFT 头）	OFT	80.5	92.5	90.8
VLAct（GR00T 头）	Flow	76.0	89.6	87.4
VLAct（PI 头）	Flow	77.0	93.0	88.8

表2：RoboTwin 2.0 任务成功率（%）。Base 每任务 50 条干净轨迹；Data Scaling 每任务再加 500 条域随机专家轨迹。

真机与跨本体迁移。真机平台为 Franka Research 3 七自由度臂，外部 RealSense D435 加腕部 D405，图像统一缩到 224 像素。单臂短程域内任务 VLAct 平均 92.5 对基线 77.5；新物体域外任务 90.0 对 73.3 与 65.0；长程任务擦桌与舀豆 86.6/80.0 对 73.3/33.3；更难的长程域外（延长序列、完全替换物体）82.5/83.3 对 47.5/46.6；只在单臂数据上预训练的 VLAct 迁移到双臂协调达到 72.0 对 44.0，叠裤子与叠毛巾这类形变与同步要求高的任务增益最大（70 对 40、50 对 20）。

图5：真机评测（a–c）与 RoboCasa-GR1 跨本体迁移（d）。VLAct 在单臂短程、长程与双臂协调上全面超过未预训练基线，并只用 20% 下游数据超过全数据 GR00T-N1.6。

跨本体是最硬的检验：GR-1 人形与 ARX X5 双臂平台在继续预训练阶段被完全留出、一条轨迹都不参与。RoboCasa-GR1 全量微调下 VLAct 达 54.0，超过全量数据的 Qwen3VL-OFT（48.8）、GR00T-N1.6（47.6）与 π0.5（37.0）；只用 20% 下游轨迹即达 49.5，已不低于全量 Qwen3VL-OFT，50% 数据 51.0，全量 54.0。RoboDojo 官方 2026-08-24 榜单的 35 个策略中，VLAct 平均分第 8、成功率第 6（10.66 分 / 7.60%），在四个被明确标注的世界-动作模型条目中全面超过最强的 X-WAM（7.69 / 3.83），并超过小米 Robotics-0、GalaxeaVLA G0、LingBot-VLA 与 Abot-M0 等工业系统；相对同骨干的 StarVLA-α 条目提升 4.26 分与 4.36 个点。

消融组件	设置	结果
浅层保护	全量更新 / 只冻视觉编码器 / 冻视觉编码器加下半 LLM	LIBERO-Plus 78.9 / 81.3 / 82.6；RoboTwin 77.1 / 79.3 / 80.5
辅助共训练	机器人-only / 仅字幕 / 混合辅助	LIBERO-Plus 75.0 / 82.6 / 82.5
头多样性（下游 PI 头）	无预训练 / 仅 OFT / OFT+GR00T / 三头	PI 微调 60.5 / 55.1 / 63.1 / 77.0
统一动作表示	分离头 / 统一头 / 统一动作表示	RoboTwin 78.5 / 79.5 / 80.5；LIBERO-Plus 81.1 / 81.4 / 82.6
wrap-aware 损失	基线 / 加统一关节空间 / 再加 wrap 损失	RoboTwin 75.5 / 78.6 / 80.5
异构 UMI 数据	原混合 / 加 2 万条 RealOmin 轨迹	LIBERO-Plus 82.6 / 83.7

表3：组件消融汇总（数字取自附录 C、D、E、F、G、I 的各表）。每个组件都在固定其余设置的前提下单独验证。

最后一个开放性检验：往预训练混合里加入 2 万条用 UMI 手持夹爪采集、本体与采集范式都不同的 RealOmin 轨迹（动作转为 delta eef 以兼容布局），LIBERO-Plus 从 82.6 升到 83.7。这说明这套配方能吸收异构数据而不是被其扰乱——对「开源数据还能怎么加」是一个实用的正面信号。

局限性

其一，作者自述记忆能力是明显短板。RoboDojo 的六个能力轴中，VLAct 的 Memory 只有 0.66 分 / 0.56% 成功率，而榜首 DM0.5 在该轴为 47.74 / 47.44；增益集中在 Precision 与 Long-Horizon。需要在线维护与调用历史信息的任务，正是当前表示中心配方没有覆盖的能力。

其二，作者也承认混合辅助共训练（82.5）略低于仅字幕（82.6）：预训练总步数固定时，混入多种辅助源会稀释最强来源字幕数据的采样频率。这意味着「混多少、怎么混」仍是一个预算分配问题，论文只给了固定配比的快照。

其三，从实验设计看还有两点保留。多头协同监督的额外算力只通过骨干间接回收——预训练头在微调时被整体丢弃，因此多头的成本是否值得，取决于下游是否真的换头，论文的真机与主结果仍以 OFT 头为主；此外骨干规模固定在 4B、真机每任务仅 10 次试验、RoboDojo 榜单不归一化训练算力，配方在更大骨干与更严格统计下的表现仍是开放问题。

总结与展望

VLAct 的贡献不在某个新模块，而在把「继续预训练」这件事的目标函数重新定义：不是拟合预训练分布上的动作，而是塑造一个在任务、本体、环境、动作头四个轴上都可迁移的骨干表示。浅层保护与字幕混合回答「别弄坏什么」，多头协同监督回答「别过特化到什么」，部分统一动作空间与 wrap-aware 损失回答「该在哪里共享」。三个答案都由控制实验支撑，且全部在固定下游协议下验证，使增益可以干净地归因于骨干。

对实践者的直接含义是：VLM 骨干应当被视为 VLA 的一等设计变量，而不是从通用视觉-语言预训练继承来的固定部件。在数据与算力预算有限时，把预算花在表示设计上的边际收益，可能高于再堆一倍轨迹。论文的开放姿态（全开源数据、16 卡、承诺释放脚本与权重）也使这条轴线可以被独立复现与推进。

金句

有效的 VLA 继续预训练，要求设计轨迹数据如何塑造骨干表示，而不是简单地在预训练分布上优化动作预测。