一句话看懂：浙江大学等团队提出 VLA-Δ，用“当前到未来状态的物理变化”作为显式监督目标训练视觉-语言-动作模型，在 LIBERO 和 RoboTwin 上达到有竞争力的水平，真实机器人实验超过了 π_{0.5}。
事件核心：发生了什么
2026 年 10 月 15 日，Hugging Face Papers 收录了论文《VLA-Δ: Learning Physical State Transition for Vision-Language-Action Models》。该研究指出，多数 VLA 模型直接从观测映射到示范动作，缺少对中间物理状态变化的显式监督，容易过拟合观测-动作对应关系。VLA-Δ 的解法是把“当前状态与未来状态之间的物理变化”作为独立学习目标，并为此构建了大规模预训练数据集，标注任务相关语义和视觉运动变化。推理时模型仍从当前观测直接生成动作，不增加额外计算开销。论文摘要称，VLA-Δ 在 LIBERO 和 RoboTwin 上表现与当前最佳水平相当，真实机器人实验优于 π_{0.5}，代码已在 GitHub 开源。
为什么重要
VLA 是机器人基础模型的关键路线，但长期依赖“看什么、做什么”的端到端模仿，泛化和物理常识是短板。此前一些方法用语言、视觉或隐空间做中间推理或未来预测，却很少直接监督物理状态转移本身。VLA-Δ 把监督信号前移到“变化”层面，理论上能让动作生成更贴合真实物理过程，而不是死记观测和动作的配对。对行业而言，这属于训练范式上的调整：如果可复现，它可能降低对海量示范数据的依赖，并影响后续 VLA 模型的设计思路。开源代码也有助于高校和机器人团队快速验证该路线。
对用户/开发者/创作者的影响
对机器人开发者，短期最直接的价值是代码开源和训练目标可复用。目前公开信息显示，VLA-Δ 的核心创新在训练阶段，推理不需要额外模块，因此不会显著推高线上算力成本，这对部署在边缘设备或实时控制系统中的团队比较友好。对关注具身智能的创作者和研究者，可以重点关注它构建的数据集如何标注物理状态转移，以及这种监督是否容易迁移到机械臂以外的场景。企业采购方暂不宜把论文结果直接等同于产品成熟度，摘要未披露完整实验细节、硬件配置和失败案例，真实产线效果仍需等待第三方复现。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
第一，代码仓库是否持续更新、预训练数据集是否公开，决定社区能否低成本复现。第二，LIBERO、RoboTwin 和真实机器人实验结果是否在更多任务和不同本体上复现，尤其是与 π_{0.5} 的对比条件。第三，是否有团队把“物理状态转移监督”引入其他 VLA 或世界模型路线，形成新的训练标配。若后续出现开源模型权重或 API，开发者生态的参与度会明显提升。
