> ## Content Index
> Fetch the complete content index at: https://binnn.top/llms.txt
> Use this file to discover other available public pages before exploring further.

# ScaleVLA：用冻结的视觉语言骨干学习机器人动作
- URL: https://binnn.top/scalevla-frozen-features-robot-actions/
- Published: 2026-11-17T13:06:53.000Z
- Updated: 2026-11-17T14:39:25.000Z
- Description: 研究将预训练多模态特征直接交给动作网络，在扰动环境中报告更高成功率；少样本实验仍使用完整训练集的归一化统计，异步执行也存在反馈延迟。
- Author: Sunbin 编辑部
- Tags: AI 最新论文进展, 机器人, #sunbin-auto, #sunbin-newsroom

论文阅读笔记 · arxiv.org · 原文日期 2026-11-16

## 骨干提供特征，动作网络学习控制

ScaleVLA将视觉语言骨干与动作网络连接：前者编码相机图像和语言指令，后者结合机器人状态生成连续动作块。视觉与语言骨干保持冻结，动作侧组件接受训练。模型不生成文字推理，每个动作块只读取一次骨干特征，再将其直接映射为动作。

## 扰动评测报告迁移收益

作者将完整示范数据训练的LIBERO策略直接用于LIBERO-PRO，不重新训练。评测每种设置运行500回合，以三种设置成功率的等权平均计分：ScaleVLA为45.1%，较小骨干最高为31.3%。不过，各策略受扰动后均明显退步，ScaleVLA在物体套件的环境扰动中也未领先。

## 少样本计数不涵盖全部预处理数据

少样本实验中的示范数量有明确边界：策略更新使用选定的轨迹子集，但状态与动作的归一化仍采用完整训练集统计量。因此，文中的示范数量描述的是策略更新用量，不能解释为训练与预处理使用的全部数据。阅读其数据效率结果时，需要保留这一条件。

## 异步执行需要检查观测是否过时

在DexJoCo中，控制器可在策略生成下一个动作块时继续执行缓存命令。但这些命令可能依据较早的观测，控制器频率无法单独说明策略响应新反馈的速度。论文因此提出，应同时报告动作块延迟、命令执行时的观测年龄，以及缓存没有有效命令的时间区间。

原始标题：ScaleVLA: Scaling Vision-Language-Action Models to 552 Billion Parameters  
[来源：arxiv.org](https://arxiv.org/abs/2611.21607?ref=binnn.top)