机器人 VLA 论文优先关注可执行控制和实测反馈
当天的机器人论文集中在让 vision-language-action (VLA) 策略可执行：在线适配、3D/接触反馈和成本更低的规划模型。SARL、3D HAMSTER 和 DVG-WM 显示，当前重点是能经受控制循环、几何和物理交互检验的证据。
主题概况
Tactile Sensing
机器人操作控制和安全层
机器人 VLA 部署工作正围绕三类运行需求变得更具体：操作过程中的接触校正、策略未完成长时程任务后的在线适应，以及将物理损伤与任务成功分开记录的安全评测。最可执行的改动，是在现有策略外增加小型控制层和评测层，并配套明确的 episode 数、扰动测试和仿真检查。
机器人策略评估开始看执行机制，不能只看基准分数
机器人学习工作集中在让策略能在真实控制约束下执行。ZR-0、T2VLA 和 Chronos 显示出主要重点：跨具身监督、无需奖励的测试时改进，以及基于完整轨迹的记忆。
机器人操作 rollout 检查
机器人策略团队可以围绕评估、部署和几何增加面向执行的检查，从当前工作中获得更多价值。实际做法是：在任务关键运动片段上给模型变体排序，在闭环试验前验证感知-动作回路，并为小误差会导致任务失败的接触阶段存储对象相对姿态。
机器人学习正在按标注、接触、时序和任务上下文来评判
这一时期的机器人学习论文把模型提升和可部署约束联系起来：可靠标注、接触控制、延迟和任务相关对齐。SPARC、Mana 和 LabVLA 显示了主要重点：在扩大模型之前，先让数据和策略贴合物理任务。
机器人操作部署检查
机器人操作团队可以根据现有证据做三项具体改动：按物理交互信号给示范标签打分，在部署自回归 VLA 策略前加入固定延迟解码测试，并在标准化接触硬件前按传感器类型测试触觉策略。
机器人策略工作正在接受几何、接触和真实执行的检验
机器人占据了当天的主要内容，策略质量被当作执行问题来检验。最强的论文在部署前加入几何、物理验证、成功评分或空间记忆。OSCAR、3DThinkVLA 和 MAD 提供了最清楚的证据。
机器人策略验证门
机器人团队可以在现有策略工作里加上三项实用检查：在训练前验证 UMI 风格示范，在接触密集任务上做触觉消融，在真实飞行测试前用跨环境预测质量给四旋翼世界模型排序。每项检查都针对最近结果里出现过的一种失效模式：不可执行轨迹、被摄像头掩盖的接触错误，以及没有选出真实世界赢家的仿真分数。
Vision-language-action papers focus on deployable robot control
这一时期的 vision-language-action（VLA）研究集中在执行上：闭环规划、可复用技能、触觉力控制，以及面向机器人的模型压缩。VERA、PrimitiveVLA 和 Ω-QVLA 的实证结论最清楚，大多数论文都配了真实机器人或操作套件测试。
机器人策略部署基准
机器人团队可以直接测试部署门槛：4 位策略压缩、面向力的操作评分，以及带原语标签的长时程微调，在所引论文中都有明确的评测方案。
接触时刻控制与 VLA 安全定义了这一天的机器人论文
这一天最强的是必须在接触时刻起作用的具身控制。两篇论文都在改进操作执行：Move-Then-Operate 把接近阶段和接触阶段分开，Tube Diffusion Policy 在动作时间范围内加入逐步的视觉-触觉修正。第三篇论文用一篇关于视觉-语言-动作，也就是 VLA 系统的安全风险和防御的综述，把视角扩大到部署问题，说明部署已经成为核心研究议题的一部分。
分层接触控制
接触阶段的操作正在被拆成更明确的控制层。一篇论文表明，把接近动作和接触操作分开，可以在较少示范数据下提升成功率。另一篇论文认为，触觉任务需要在动作时域内部做逐步修正，而不只是把动作块起点初始化得更好。安全综述则给 VLA 系统补上了部署要求：基于威胁的评估和运行时检查应当进入实际操作流程，而不只是停留在模型训练里。