机器人策略工作正被可执行的对齐能力检验
当天的机器人论文都在处理同一个问题：如何让 Vision-Language-Action（VLA）策略在真实部署条件下稳定执行。ERVLA、GeoAlign 和 TTT-VLA 显示出最清楚的一条线索：表现取决于与机器人状态、几何和任务阶段对齐的动作相关信号。
主题概况
Continual Learning
面向接触感知的机器人策略控制
VLA 团队可以对当前机器人策略工作做三项具体改动：为精细操作加入几何条件动作解码，在 rollout 之前做一次局部 latent prompt 适配，在顺序技能训练中按操作阶段存储回放记忆。每一项改动都针对一个会在接触、布局或任务序列压力下出现的失效模式。
机器人 VLA 主张现在需要真实控制证据
本周机器人研究用真实执行来评估视觉-语言-动作（VLA）策略：在线微调速度、任务保持、接触质量和跨具身覆盖。EXPO-FT、OASIS 和 Qwen-VLA 支撑了证据最足的主张，多数证据来自真实机器人或操作基准。
机器人操作部署检查
机器人 VLA 研究现在为团队提供了面向部署的具体控制检查：带回归测试的短时在线微调、显式 SE(3) 动作几何，以及在任务成功可能掩盖不安全操作时使用的接触力指标。
机器人学习论文集中在执行控制、保留和更便宜的真实世界验证
这一时期最强的信号是面向真实部署约束的实用机器人学习。视觉-语言-动作（VLA）模型正在接受细粒度执行控制和技能保留的测试，而 HyperSim 和 SDPG 降低了真实数据或 GPU 的训练成本。Figure 的包裹分拣运行增加了一个耐久性主张，但其审计细节不如研究论文充分。
VLA Policy Update Controls
机器人团队可以直接做三项流程改动：给 VLA 演示数据加执行级标签，用回放和动作缩放检查来控制持续微调，并在收集大规模新操作数据前先测试仿真-真实联合训练。Figure 的 200 小时包裹分拣报告可以作为耐久性主张，但在支持部署流程前，它还需要错误日志、运行时长数据和基线对比。