一句话看懂：alphaXiv 收录的论文 HAF-VLA 提出分层动作流框架，让预训练 VLA 模型按“移动与头部—腰部—全身操作”三阶段生成人形机器人动作，在六个真实机器人任务上的平均归一化得分高于基线 π0.5 约 15 个百分点。
事件核心：发生了什么
2026 年 10 月 19 日，论文页面公开了 HAF-VLA 的方法与实验概述。该框架没有从零训练新基座，而是在预训练的流匹配 VLA π0.5 上继续适配，继承其视觉语言编码器和动作专家权重。不同之处在于动作生成方式：不再一次输出完整动作块，而是分三步去噪同一套全身动作空间——先给移动、技能模式和头部指令，再补腰部姿态并可修正前一步，最后激活手臂和手部完成操作。
跨阶段依赖靠 KV cache 传递：上一阶段去噪完成后的动作被重新编码为缓存，供下一阶段参考。训练时，中间缓存来自真实动作块，推理时则使用模型自己的预测。最终动作块按接口拆分，移动和腰部交给基于强化学习的低层控制器，手臂、手和头部走位置控制接口。
实验覆盖 Laundry Loading、Clothes Retrieval、Table Tidy、Plant Watering、Ball Tossing 和 Box Transfer 六个真实任务，每项任务每轮平均 10 次 rollout、按里程碑计分。HAF-VLA 平均为 68.3%，π0.5 为 53.3%，这是分阶段任务的部分进度分，并非完整成功率；以上数据仅基于摘要与页面概述，论文全文实验细节目前公开信息有限。
为什么重要
人形机器人做家务类任务时，站立位置和腰部姿态的小误差会迫使双臂做剧烈补偿，固定底座或轮式机械臂的 VLA 经验很难直接迁移。HAF-VLA 的价值在于给出了一条低成本适配路径：复用已有 VLA 权重，用阶段嵌入和缓存条件把高维全身动作拆开规划，而不是重训一个全身基座模型。如果这一思路在更多任务上成立，通用移动操作 VLA 向人形全身控制的迁移门槛会明显降低。
对用户/开发者/创作者的影响
对机器人开发者，关键可借鉴点是动作分阶段生成与跨阶段缓存传递，可以作为现有 VLA 微调流程的增量改造；但系统仍依赖低层控制器和任务专用数据，每项任务的演示数据规模在摘要中未完整给出。对普通用户，这仍是研究阶段的方法，不是可购买的产品能力。对关注开源生态的创作者，值得留意作者是否会释放代码、权重和遥操作数据格式，因为那将决定该方法能否被社区复现。
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
一是分阶段结构相比单纯增加去噪步数是否仍有收益，页面概述提到有 Box Carry 消融实验，但结论需看全文；二是完整任务成功率、失败模式与跨任务泛化数据；三是是否会公开代码或适配更多 VLA 基座，以及低层 RL 控制器是否成为部署瓶颈。
来源：alphaXiv
