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。
Qwen-VLA 是规模化和统一化的核心。它使用 Qwen3.5-4B 做视觉-语言理解，并用 DiT 流匹配动作解码器生成连续动作。模型读取机器人描述、图像和指令，然后在操作、导航和轨迹预测中预测动作块或轨迹块。报告结果覆盖 LIBERO、Simpler-WidowX、RoboTwin、R2R、RxR、ALOHA 分布外试验和 DOMINO 动态操作。
VLA-Pro 走的是模块化迁移路线。它把任务特定的 LoRA 适配器和结构化过程状态一起存储，在推理时检索相关记忆，并为当前动作块融合权重。在报告的设定里，提升幅度很大：π0.5 在 6 个保留的 UR7e 任务上的真实世界成功率从 5.8% 升到 65.0%，RoboTwin 结果在 X-VLA、RDT 和 π0.5 骨干上都有提升。
BORA 关注灵巧手，接触误差会很快累积。它先离线训练一个动作条件 critic，然后在部署时冻结基础 VLA，并在有人类干预下学习一个小的残差 actor。在 5 个 Franka 机械臂加 12 自由度手部任务上，BORA-Full 的平均成功率达到 86.0%，而一致性策略基础模型只有 53.0%。在未见物体上，它达到 70.0%，同一基础模型为 27.0%。
Gaze2Act 把人眼注视当作目标选择和部件级交互的控制信号。它把第一人称视角的注视映射到机器人相机视图，在机器人观测上加入 mask 和 heatmap 提示，并在 GROOT N1.5 扩散动作头上增加一个注视分支。在 Unitree G1 类人机器人上，它在 15 个主要真实机器人任务中报告了 83.5% 的任务成功率，结果强于仅语言基线和语言约束空间基线。
VisualThink-VLA 为物体框、边缘、运动和关系加入稀疏视觉证据 token。路由器在每个决策步骤选择证据通道，而 VLA 主干保持冻结。在 BridgeData V2 上，它报告每步 0.367 秒、89.49% 的成功率；ECoT 的结果是 85.09% 和 8.377 秒。
3DVLA 为预训练 VLA 策略加入 3D 空间记忆、以物体为中心的实例 token 和遮挡补全。它在 LIBERO-Plus 上的提升较小，但在 RoboTwin 2.0 上更广，那里 π0+3DVLA 把 Easy 成功率从 46.4% 提高到 54.5%，把 Hard 成功率从 16.3% 提高到 23.2%。
ElegantVLA 通过学习何时重新计算视觉编码器、语言模型和动作头来降低计算量。在基于 GR00T 的真实世界测试中，它报告计算量减少 2.18×，控制频率从 13.8 Hz 升到 26.3 Hz，平均成功率从 61.67% 升到 65.00%。
这些评估论文针对的是单一成功率看不到的失败模式。PhAIL 在 Franka FR3 上测量成功所需时间分布，并把评分锚定到同一装置上的人工遥操作。在它的基准中，按 RMST 比率算，评测表现最好的 VLA 比人工参考慢大约 7 倍，而且没有任何推理模型在任何物体上超过 19% 的 Human-Relative Throughput。
VLA-Trace 检查 VLA 策略在动作解码时如何使用图像和文本。在 LIBERO-10 上，当生成时去掉图像访问，π0.5 的成功率从 93.5% 降到 0.0%；去掉文本访问时，成功率还剩 39.0%。OpenVLA 呈现出不同的依赖模式，在报告的 LIBERO 设定里，去掉文本会把成功率降到 0.0%。
VLAConf 用冻结的 VLA 特征和只做成功预测的 confidence head 增加了校准后的任务成功置信度。它面向在线失败预判，在 OpenVLA-OFT 上的推理成本明显低于 ConfidenceVLA：平均查询时间 64.9 ms，对比 712.9 ms。