这一天最强的一点是：VLA 工作正在把任务结构明确地放进控制循环里。HELM、ST-π 和 ReFineVLA 分别加入了记忆、子任务计划或理由监督，而且都是带有可测效果的明确组件。配套的基准论文 BeTTER 也让这个领域保持克制，它显示高分基准成绩仍然留下了 grounding 和 recomposition 上的大缺口。
长时程机器人控制正在被构建成一个执行系统，而不只是更大的策略。HELM 是最清楚的例子。它加入了情景记忆、执行前的失败检查，以及基于回滚的恢复。在 LIBERO-LONG 上，这把 OpenVLA 从 58.4% 提升到 81.5%。论文还表明，单纯扩大上下文帮助小得多，在 H=32 时只到 63.8%。ST-π 在规划层面推进同样的思路。它预测带有语义意图、目标位置和持续时间的 chunk 级提示，然后把每个 chunk 交给 step 级动作生成器。论文报告的 STAR 数据集也把这种结构写得很清楚，包含 30 个真实世界任务、每个任务 50 个示范，以及约 300k 次交互步骤。
推理正在更直接地被训练进 VLA 模型，但评测信号说明，当前提升仍然脆弱。ReFineVLA 在微调中加入教师撰写的理由说明，并报告了更好的 SimplerEnv 结果，包括 WidowX 上 47.7% 的平均成功率、variant aggregation 上 68.8%、visual matching 上 76.6%。同一天还有一个更严格的检验，用来看看这些模型到底学到了什么。BeTTER 对 grounding、重组和时间压力做了受控干预。在这些测试下，强模型在未见过的子目标组合上直接崩溃：pi_0.5 在 B->C 上降到 5.0%，GR00T-N1.6 降到 15.0%，Being-H0.5 降到 0.0%。这说明当前情况很清楚：推理监督可以提高基准成绩，但对任务结构变化的鲁棒性仍然很弱。
空间建模也是一个强线索，论文在尝试让 VLA 策略更好地控制几何和动作精度。OmniVLA-RL 把三专家 Transformer、显式 3D 场景特征和在线强化学习结合起来。报告中的亮点是 LIBERO 上 97.6% 的平均成功率，不过可见摘要没有给出完整对比表。ST-π 也把空间和时间当作一等输入，为每个子任务预测空间目标和时间持续时间。两篇论文的重点都很具体：通过让空间结构在动作管线内部可见，而不是把它埋在融合 embedding 里，来提升抓取、放置和多阶段控制。