机器人策略正在围绕控制环证据重建
机器人学习正被放到控制环中评估。表现最强的论文加入未来变化先验、漂移监测器、critic、世界模型 rollout 和更便宜的运动数据，让视觉-语言-动作（VLA）策略能应对接触、相机变化和有限示范。Bridge-WA、VLA-Corrector 和 TAP 给出了最清楚的实测主张。
主题概况
Robot Data
自适应机器人操作的数据与控制
机器人团队可以基于现有证据测试三项具体改变：在推理期间中断过期动作块，在静态视角之外采集移动摄像头 episode，并在任务特定示范前用无标签机器人运动预训练 VLA 策略。每项改变都针对操作中的一个可测量失败模式：开环执行期间的漂移、摄像头或物体位置捷径，以及专家遥操作数据不足。
机器人 VLA 部署主张面临数据规模和控制延迟测试
这一时期最强的信号是对 Vision-Language-Action（VLA）机器人策略的实际部署压力。MolmoAct2 用开放权重和机器人数据集来说明可复现性。Latent Bridge 和异步推理基准关注的是，策略能否在不损失任务成功率的情况下保持较高控制频率。
VLA 评估门槛
机器人操作团队现在可以用更具体的门槛来检验 VLA 说法：跳过主干调用时的每步延迟、动作块延迟下的旧观测成功率、用于视觉变化的定向仿真视频增强，以及来自已发布 MolmoAct2 权重和数据集的可复现基线。