视觉语言动作（VLA）机器人工作的效果最好的是那些让策略保留时间状态、在出错后恢复、或接受低延迟人工输入的场景。MemoryVLA++、MotionWAM 和 YUBI 体现了当天的重点：让策略在更长时域上行动，收集更大的真实数据，并让修正尽量贴近执行。
一些论文把时间当作机器人控制的一级输入。MemoryVLA++ 保存过去的感知和任务 token，再把它们和潜在的未来预测结合起来生成动作。它在需要记住先前交互或预测运动的任务上提升最大，包括真实机器人上依赖记忆和依赖想象的任务组分别提升 26 和 28 个百分点。
iMaC 用机器人运动学和接触热图让动作条件视频展开在空间上更精确。它的世界模型估计与真实策略成功在 8 个长时程真实机器人任务中的 6 个上相关。Echo-Memory 还给出一个提醒：只看重放指标，可能看不出世界模型在相机离开再返回后是否保住了物体身份。
恢复工作保持基础 VLA 不变，只在运行时或通过残差训练加入定向纠正。ReCoVLA 用视觉语言模型识别失败类型和恢复阶段，编译分阶段奖励，并在仿真中训练残差策略。它把 Fetch 任务的平均仿真成功率从 36.7% 提高到 66.7%，零样本实体成功率达到 61.7%。
B2FF 预先生成未来图像里程碑，并在执行偏离时选择一个恢复目标。在注入失败的 LIBERO 上，它把 UD-VLA 的平均成功率从 56.3% 提高到 74.0%。ProbeAct 更轻量：它读取隐藏状态探针来跟踪物体，并在多次失败后使用控制障碍区域，讓 LIBERO-plus 成功率从 69.6% 提高到 74.1%。
执行循环正在加入更明确的用户和安全通道。Flow Control 用一个简单的键盘方向来修改 flow-matching 动作采样器的初始条件。在 Two-Block 任务中，调节初始条件后，左块获取在更长的调节时域内几乎达到完美，而抓取放置成功率在报告设置中保持接近 100%。
另一篇安全过滤论文读取冻结 VLA 内部的注意力头，在控制过程中识别当前目标物体。在动态 SafeLIBERO Level III 上，它把平均碰撞率从仅用初始化过滤器时的 70.75% 降到 26.88%，并把安全成功率从 25.5% 提高到 55.75%。共同点很直接：少量运行时信号可以在不重新训练的情况下约束大型策略。
YUBI 用更轻的手指对齐夹爪和固定支架的 VR 跟踪来缓解数据瓶颈。报告的数据集规模对开放式 UMI 风格设置来说很大：8,434 小时、120 万个回合、680 万个视频-语言-动作三元组，以及由 179 名操作员采集的 119 个任务。一个基于 π0.5 的策略在 YUBI 的腕部数据上训练后，可以在 UR、Franka 和 Toyota ELEY 机械臂之间迁移，并使用同一个末端执行器。
MotionWAM 把 world-action 建模扩展到 Unitree G1 人形机器人的行走与操作。它使用一个第一人称摄像头和统一的全身运动潜变量，在 9 个真实任务上的平均成功率达到 76.1%，而列出的最强基线为 43.9%。TORL-VLA 为接触密集任务加入触觉在线强化学习，在真实机器人子任务试验中达到杯子 30/30、锁扣 29/30 和鸡蛋 30/30 的成功。