一句话看懂：arXiv 2026 年 10 月 8 日上线的一篇新论文提出 PAIR 框架，在视觉-语言-动作（VLA）模型中显式学习“感知-动作”共享中间表征，让模型在生成动作前就拿到动作就绪的起点。摘要显示，该方法在 LIBERO、LIBERO-Plus、CALVIN ABC-D 以及七个真实任务上给 OpenVLA-OFT 和 VLA-Adapter 带来提升。
事件核心：发生了什么
这篇论文关注的是一类连续动作 VLA 模型：它们把图像观测和语言指令直接映射为机器人连续动作。多数做法把“理解场景”到“生成动作”的转换留在黑盒里，只用最终动作预测损失来监督。PAIR 的做法是引入一个共享的感知-动作表征：训练时用 Masked Action Autoencoder 把专家动作片段编码成与时间跨度对齐的 Action Latent Tokens，再由 Bridge Module 从当前视觉-语言表征中提取任务相关特征，并将其与动作潜在 token 对齐，形成 Bridge Tokens。这些 Bridge Tokens 被投影进动作 token 空间并注入初始 Action Tokens，作为 Action Expert 细化的起点。推理时去掉自编码器，Bridge Tokens 仅由当前观测和指令生成。
摘要给出的数据是：在 LIBERO-Plus 上，PAIR 把 VLA-Adapter 的成功率从 59.1% 提到 64.2%；在 CALVIN 上，平均完成序列长度从 4.42 提到 4.53；在七个真实世界任务中，OpenVLA-OFT 的成功率从 51.4% 提到 65.0%。这些结果均来自论文摘要，实验条件、基线配置和统计口径尚未核验全文。
为什么重要
VLA 是当前机器人与多模态大模型交叉的热门方向，核心难点在于“看懂”和“做对”之间缺少可监督的中间层。PAIR 的思路不是把视觉语言模型直接接到动作头上，而是显式构造一个动作感知的中间接口，让连续动作的结构信息在动作专家细化之前就可被访问。对行业而言，这代表一条可能更可解释、更易训练的技术路线：如果共享中间表征有效，未来 VLA 的预训练、微调和跨机器人迁移可能不必完全依赖端到端动作损失。开源与闭源机器人基础模型若跟进类似接口，可能影响 VLA 的评测基准与训练成本结构。
对用户/开发者/创作者的影响
对做机器人应用和具身智能的开发者来说，PAIR 目前仍是论文层面的方法，不是可直接调用的 API 或产品。它的价值在于提示：在接入大模型做动作生成时，可以设计额外的中间表征监督，而不是只调最终动作损失。若后续有开源实现，可能降低在 LIBERO、CALVIN 等基准上复现强基线的门槛；对做真实机械臂任务的企业，摘要中七个真实任务的成功率提升值得跟踪，但目前公开信息显示仍不足以判断其跨硬件、跨任务的泛化能力。对内容创作者而言，这条新闻本身不涉及图像生成或内容工具，影响主要在技术理解层面。
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 PAIR 是否发布代码或权重，以及是否在 OpenVLA-OFT、VLA-Adapter 之外的模型上复现；二是 Bridge Tokens 的表示分析能否在更多真实机器人平台上验证，而不仅限于摘要提到的任务；三是 VLA 社区是否会跟进类似的“感知-动作共享中间层”设计，并影响后续基准的评测方式。
来源：arXiv cs.AI
