ICLR 2026 VLA 研究现状：从爆发式增长到基准饱和的反思

概述

这不是一篇传统论文，而是作者 Moritz Reuss（FLOWER 模型作者）对 ICLR 2026 VLA 研究现状的深度分析博客。由于作者自己身处 VLA 研究一线（其 FLOWER 模型在 CALVIN 基准上达到 SOTA），这篇文章比一般的会议总结更具有内行视角和批判性。

文章的核心观点可以用一句话概括：VLA 领域正经历爆发式增长，但仿真基准的饱和掩盖了开源模型与工业级系统之间的真实差距。

VLA 的定义之争

Reuss 给出了一个我认为很精准的个人定义：VLA 的关键区分特征不是"能输出动作"，而是"使用了互联网规模的视觉-语言预训练骨干"。

具体来说：

• 仅使用分别预训练的文本编码器（CLIP-text）和视觉编码器（DINOv2）的模型 → 多模态策略（multimodal policy），不是 VLA
• 使用了预训练视频生成模型作为骨干的 → Video-Action Policy

这个定义很有价值，因为它解释了一个令人困惑的现象：为什么有些"VLA"论文在基准上表现很好，但零样本泛化很弱——因为它们实际上缺少真正的互联网规模视觉-语言预训练。

他还做了一个坦诚的评价：

"Most current VLAs still struggle with zero-shot generalization and complex tasks, making them better described as 'less dumb multi-modal policies' rather than truly general robot brains."

这句话虽然幽默，但点出了领域现状的核心矛盾。

爆发式增长与隐藏差距

数量上的爆发

一年内增长 18 倍。Reuss 预计 ICLR 2027 可能达到 2100+ 篇——这个预测既令人兴奋又让人忧虑。

仿真与现实的鸿沟

这是全文最关键的洞察。作者以自己为例：

• FLOWER 在 CALVIN 所有基准上均为 SOTA
• 但远不及 Gemini Robotics VLA 展示的零样本鲁棒性
• 仿真基准的高分掩盖了这一差距

差距的原因有六个：

1. 基准进度饱和：当 LIBERO 上大家都是 95-98%，"+0.5%"不是真实改进的证据
2. 数据质量差距：开源数据（如 OXE）在多样性和规模上有限
3. 示范数据理解缺口：缺乏对高质量示范数据的系统理解
4. 评估范围狭窄：大多数论文仅报告仿真或小规模微调结果
5. 运营约束：研究组缺乏大规模多样化真实世界试验的资源
6. 同行评审激励缺失：审稿人期望在标准仿真上与闭源模型做头对头比较

基准解读实用指南

Reuss 给出了一套实用的基准判读标准：

• LIBERO：基本已被解决。Spatial/Object/Goal >95% 为预期水平，Long 90-95%。低于 90% 仅对 static-camera-only 可接受。99% vs 98% 的对比无意义。有趣的讽刺：LIBERO 设计为终身学习基准，但 99% 的模型都在完整数据集上训练，根本不做持续学习。

• CALVIN：也接近饱和。ABC 版本 >4 为标准，>4.5 为 SOTA。ABCD 版本 >4.5 为相关结果。

• SIMPLER：跨设置难以解读。Bridge 上成功率跨度 40-99%，跨论文比较噪声大。Google Robot 版本当前 SOTA 约 70-80%。

一个特别有启发性的观察：任何真实世界结果都非常重要，仅仿真难以信任，尤其对于 7B+ 参数的大型 VLA。

八大研究趋势

文章将 ICLR 2026 的 VLA 论文分为 8 个主要方向：

1. 离散扩散 VLA（4 篇）：最大趋势。解决了自回归 ECoT 的慢速推理瓶颈，允许并行生成。代表工作包括 DISCRETE DIFFUSION VLA、dVLA、DIVA。

2. ECoT 推理 VLA（4 篇）：具身思维链训练。关键挑战是灾难性遗忘——直接在 VLM 上用离散动作 token 微调会破坏 VLM 的推理能力。代表工作 Actions as Language（用子任务重标注数据 + LoRA 微调）。

3. 新离散 Tokenizer（2 篇）：FASTer（频域 DCT + RVQ）和 OmniSAT（B-Spline + VQ-VAE）。

4. 高效 VLA（2 篇）：HyperVLA（超网络生成任务特定小策略）和 AutoQVLA（仅需 30% VRAM 的量化）。

5. RL for VLA（2 篇）：残差 RL 和阶段感知 RL。

6. 视频预测 VLA（3 篇）：UniVLA（统一 visual-language-action token 流）、Cosmos Policy（微调 NVIDIA Cosmos）。

7. 评估与基准（3 篇）：RobotArena、RoboCasa365、WorldGym。

8. 跨动作空间学习（3 篇）：X-VLA（soft-prompting tokens）、XR-1（Unified Vision-Motion Codes）。

两个被低估的问题

Reuss 指出了两个在 ICLR 2026 中几乎无人关注但至关重要的问题：

数据质量

尽管对 VLA 性能至关重要，几乎没有提交关注数据收集和策划。OXE 主要是低质量数据是公开的秘密，但缺乏量化模仿学习数据质量的方法。

上下文学习（In-Context Learning）

LLM/VLM 的成功让人期待 VLA 的上下文学习能力，但几乎没找到相关工作。语言单独为复杂物理任务提供的上下文有限。这可能是实现更好提示和零样本任务泛化的关键。

启示与思考

这篇文章的价值在于它提供了一个"insider's view"——不是站在外部总结论文，而是站在研究一线指出问题。以下几点对我特别有启发：

基准饱和是一个信号，不是一个问题。 LIBERO 被"解决"了，说明领域需要新的、更具判别力的评估方法。这类似于 ImageNet 在 2017 年后的状态——继续在 ImageNet 上刷 0.1% 已经没有科学价值了。

零样本泛化是真正的战场。 工业级系统（Gemini Robotics、Pi0.5）在零样本上的表现远超开源系统，但我们在基准上看不到这个差距。这提示我们需要更多像 RoboArena 这样的零样本公平基准。

数据质量 > 模型架构。 尽管 ICLR 2026 有 164 篇 VLA 论文，几乎没有关注数据质量的。这是一个巨大的研究空白——在模仿学习中，数据的质量可能比模型架构重要得多。

对 AI Agent 安全研究的映射： VLA 社区面临的"仿真基准饱和 vs 现实差距"问题，与 AI Agent 安全社区面临的问题高度相似——在受控环境中的安全评估结果，可能完全不反映真实部署场景中的安全风险。

参考链接

• 原文: https://mbreuss.github.io/blog_post_iclr_26_vla.html
• FLOWER 模型 (作者的相关工作)