机器人 VLA 工作正按控制速度、任务迁移和真实机器人证据来评估
当天的研究集中在可部署的机器人控制上。视觉-语言-动作（VLA）模型获得了更大的任务覆盖、更快的推理路径、更丰富的空间落地，以及更多真实机器人检查。Qwen-VLA 的统一化主张最广，BORA 给出了最清楚的灵巧适应结果，PhAIL 则质疑真实机器人成功率该如何衡量。
主题概况
Inference Efficiency
Real-Robot VLA Deployment Controls
真实机器人 VLA 团队应先加入按吞吐量统计的 rollout 日志、延迟检查和小型适配层，再扩大任务宣称。最直接的操作变化集中在评估协议、逐步推理控制和灵巧手后训练上。
机器人动作工作收紧延迟、压力测试和对齐
4 月 7 日是一个围绕动作循环的机器人主题日。最强的论文降低了 VLA 系统的推理成本，揭示语言有多容易把它们打断，也让动作生成更容易检查。SnapFlow、A1 和 DAERT 定下了基调：更快的控制、更严格的鲁棒性测试，以及词语和动作之间更紧的对齐。
Robot policy validation tooling
这一天的机器人动作工作支持三项具体改动：在固定控制预算下比较不同延迟补丁的部署工具、评估中加入改写对抗的语言压力测试，以及给同时输出子任务文本和动作的系统做一致性检查。证据最强的地方，是论文给出了机器人团队可以直接测试的运行指标：SnapFlow、A1 和 VLA-InfoEntropy 的延迟下降，DAERT 的大幅指令脆弱性差距，以及 GPLA 的可训练 grounding scorer，它能把动作质量保持在接近监督基线的水平。