一句话看懂：alphaXiv 收录的论文 FocusVLA 提出一种按任务阶段动态分配全局与局部视角的 VLA 多视角路由框架，在 RoboTwin 2.0 上平均成功率比最强基线 π0.5 高 10.10 个百分点，真机成功率从 71.7% 升至 85.0%。
事件核心：发生了什么
论文发布时间为 2026 年 10 月 22 日。作者指出，现有视觉-语言-动作（VLA）模型虽然引入多视角输入，但策略往往持续依赖手腕视角，缺乏在不同操作阶段切换全局与局部观察的能力。FocusVLA 的核心是“未来意图桥”：利用动作历史、机器人状态和语言指令预测后续动作步骤对局部交互视觉的需求，再把预测结果转化为全局与局部视角的权重，在动作生成过程中动态融合，而非一次性融合所有相机输入。该方法以 π0.5 多视角策略为底座，不修改视觉编码器、语言模型和动作生成主干；权重设下限，每个视角至少保留 25% 贡献，属于重加权而非硬切换相机。
为什么重要
VLA 被视为机器人操作的重要技术路线，多视角互补是提升鲁棒性的常见手段。但“有多个相机”不等于“会用多个相机”。FocusVLA 把问题从堆叠输入转为按阶段调度注意力，且模块可插入现有 VLA 框架，这意味着对既有模型的改造成本较低。评测上，RoboTwin 2.0 覆盖 50 个操作任务、每任务 100 次试验，FocusVLA 总体成功率为 76.92%，π0.5 为 66.82%；论文称中长时程任务收益更明显。真机评测为 71.7% 到 85.0%。目前公开信息显示，这些结果限于论文所述任务与条件，不能理解为通用排名。
对用户/开发者/创作者的影响
对机器人开发者而言，值得关注的是“意图预测＋动态路由”能否作为轻量模块接入现有 VLA 训练与推理管线，而不必重训整个架构。若后续代码或权重开源，可能降低多视角策略调优门槛；若保持闭源，则更多是技术路线参考。对应用方来说，真机成功率提升 13.3 个百分点是积极信号，但仍需在自有场景验证泛化性。
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
一是作者是否公开代码与模型权重，决定社区复现和二次开发空间；二是该方法在更多机器人平台和真实任务上的稳定性，尤其是长时程任务；三是同类 VLA 工作是否会跟进阶段感知的多视角路由，形成新的架构惯例。
来源：alphaXiv
