这一天最强的模式是实用的动作学习。论文通过缩短预测、动作和控制细节之间的距离，改进了机器人和驾驶系统。最明显的提升来自经过验证的世界模型、更平滑的动作分布，以及几何感知规划。与此同时，Tex3D 表明当前 VLA 模型仍然很容易被物体级视觉攻击打偏。
这一时期的世界模型工作更具体地说明了预测在哪些地方会出错，以及如何把这个信号用于训练。WAV 把验证拆成两个更简单的检查：未来状态看起来是否合理，以及动作是否真的能到达它。这个设计面向数据稀缺场景，而这正是动作条件动力学模型最容易受影响的地方。单日结果也很强：9 个任务上的样本效率提升 2 倍，下游策略提升 18%。同一时期，world-action 建模也扩展到了驾驶。DriveDreamer-Policy 在一个系统里预测深度、未来视频和动作，并先生成深度作为几何骨架。在 Navsim 上，它报告 v1 的 89.2 PDMS 和 v2 的 88.7 EPDMS，同时未来视频质量更好。
VLA 微调论文现在更关注动作分布，而不只是更大的骨干网络。FAN prior 论文认为，很多机器人状态都有一小组几乎等价的好动作，所以训练时应该把概率质量保留在这个邻域里。在 ManiSkill 上用 OpenVLA 做监督微调时，它把分布内成功率从 78.1 提高到 89.8，并把平均 OOD 成功率从 58.1 提高到 63.3。另一篇控制论文在更底层给出类似结论：控制器增益会影响策略有多容易学习和迁移。它的行为克隆结果更支持柔顺、过阻尼的增益设置，而它的重定向方案在增益设置最高到 25x 降采样时，仍保持至少 90% 的成功率，关节位置 MSE 低于 1e-3。放在一起看，实践重点很清楚：动作容忍度和控制接口选择正在变成一线训练变量。
具身 VLA 工作正在进入新的运行场景，而且模型里已经加入速度和结构约束。UAV-Track VLA 为跟随指令的无人机跟踪加入了时间压缩、空间对齐，以及一个 25 步 flow-matching 动作头。它依托一个规模很大的 CARLA 基准，包含 892,756 帧、176 个任务和 85 个物体，并报告了长距离行人跟踪 61.76% 的成功率，以及每步延迟降低 33.4%。驾驶论文也在按功能拆分 VLA 系统。UniDriveVLA 把理解、感知和规划拆成不同的 transformer expert，以减少语言推理和空间感知之间的干扰。摘录里没有给出最终结果行，但它声称在 nuScenes 和 Bench2Drive 上达到最先进结果，并且比更早的驾驶 VLA 报告提供了更强的基线背景。
当前 VLA 系统的鲁棒性仍然是硬限制。Tex3D 表明，施加在被操纵物体上的对抗性 3D 纹理可以把策略打坏，而且这种失败率很难被当作边缘案例忽略。这个攻击直接作用在物体表面，通过可微渲染路径优化，并用轨迹感知加权在长回合中稳定下来。报告的失败率在无目标攻击下从 OpenVLA 的 24.1% 升到 88.1%，OpenVLA-OFT 从 4.7% 升到 76.0%，pi0 从 4.6% 升到 71.8%。在 OpenVLA 的空间任务上，有目标攻击下的失败率达到 96.7%。这为这一时期的能力提升提供了必要的反向参照：更好的训练和更好的规划，并不能消除大面积的视觉攻击面。