来源笔记
StarVLA- α α : Reducing Complexity in Vision-Language-Action Systems
摘要
StarVLA-α 的观点是，一个朴素的 VLM 到动作方案，已经足以在多个机器人基准上达到顶尖的 VLA 表现。论文的核心主张是方法论层面的：许多常见的 VLA 额外设计，对结果的影响没有骨干模型选择和干净训练设置那么大。
问题
- VLA 论文很难直接比较，因为它们混用了不同的骨干模型、机器人数据集、具身配置、预处理和针对基准的调参。
- 这让人难以判断系统里到底是哪一部分提升了机器人性能，哪些收益只是来自围绕某个基准做工程优化。
- 这很重要，因为这个领域想要的是通用机器人策略，但碎片化的评测会掩盖方法是否真的能跨任务、跨具身配置迁移。
方法
- 作者构建了 StarVLA-α，一个简单的基线：预训练的 Qwen3-VL 骨干加一个小型 MLP 动作头，从动作 token 预测连续动作块。
- 他们把数据流程保持得很简洁：原始 RGB 图像、语言指令、按训练集划分做动作归一化，以及使用官方基准评测，不做针对基准的调优。
- 他们在 LIBERO、SimplerEnv、RoboTwin 2.0 和 RoboCasa-GR1 上用同一套设置做测试，也训练了一个联合的通用模型，动作维度用零填充到 32。
- 在骨干、数据、训练条件一致时，他们比较了不同动作头：离散的 FAST 风格 token、直接连续回归、diffusion/flow-matching，以及双系统的 GR00T 风格设计。
- 他们还做了机器人数据预训练和常见数据工程选项的消融，包括本体感知、历史帧、delta 动作和相对动作。
结果
- 主要基准结果（专用版 StarVLA-α）： LIBERO 上 Spatial/Object/Goal/Long 分别是 99.0 / 99.8 / 98.5 / 94.1，四项平均 98.8；SimplerEnv 上 WidowX 为 64.6，Google VA 为 70.2，Google VM 为 76.0；RoboTwin 2.0 上 clean 为 50.3，clean* 为 88.2；RoboCasa-GR1 为 53.8。表中结果显示，它超过了 OpenVLA-OFT 在 LIBERO 上的平均 97.9，超过了 π0.5 在 RoboTwin clean 上的 60.2 和 clean* 上的 82.7，也超过了 GR00T-N1.6 在 RoboCasa 上的 47.6。
- 摘要声称这个单一通用模型在公开真实世界 RoboChallenge 基准上比 π0.5 高 20%，但节选内容没有给出这项比较的原始数值。
- 动作头消融： 简单的 MLP 头与更复杂的连续动作头表现相当。在 RoboCasa-GR1 上，MLP 达到 53.8，GR00T 风格为 52.8，diffusion 风格 π 为 48.9；离散 FAST 较弱，为 45.0。在 SimplerEnv 的 Google VM 上，MLP 为 76.0，FAST 为 60.1。
- 机器人预训练消融： 额外的动作数据预训练没有稳定收益。基线 StarVLA-α 在 RoboTwin clean 上为 50.3，在 RoboCasa 上为 53.8；+OXE 分别降到 30.2 和 27.8；+InternData-A1 把 RoboTwin clean 提高到 63.6，但把 RoboCasa 降到 35.4；+RoboTwin-Rand 把 RoboTwin clean 提高到 79.7，但把 RoboCasa 降到 33.3。
- 数据工程消融： 在低数据设置下，一些额外设计有帮助，但随着任务数据增多，收益会缩小。在 RoboCasa 24×10 下，基线为 9.8，delta 动作达到 15.8，相对动作 13.6，本体感知 12.5。在 24×1000 下，基线为 53.8，各变体接近：本体感知 54.2，delta 54.8，相对动作 55.5。
- 论文声称的突破不是一种新架构，而是：一个强的预训练 VLM 加一个小型连续动作头，在一个受控配方下，可以在多个基准上与近期 VLA 系统持平甚至更好。