VLA 微调期间的语义保留
两种独立方法都将行为克隆微调期间的表征损失视为泛化失败。Semantic Anchoring 将共享动作通道对齐到冻结的文本流形，并发现这种对齐程度与分布外成功率相关，Spearman ρ=0.964。Anchor-Align 则蒸馏冻结视觉语言模型的隐状态，并在机器人观测上增加运动方向预测。在 LIBERO-PRO 上，它达到 71.9%，而其 VLA-Adapter 基线为 61.0%。这些研究共同支持保留预训练概念，同时为执行特定特征留出空间。
概览
今天的证据进一步支持近期对部署的关注，并指向一种更具体的设计模式：保留有用结构，而不是端到端地重新学习所有内容。两项研究在视觉—语言—动作（VLA）微调期间保护预训练语义，另一些研究则将预测训练、运行时恢复和人工纠正与已部署的动作策略分离。结果令人鼓舞，但大多仍局限于单项基准测试和小规模真实机器人研究。
研究发现
训练时增加能力，部署时不增加开销
GigaWorld-Policy-0.5 从未来视觉动态中学习，但通过分离的视觉专家和动作专家，在部署时跳过视频生成；其纯动作路径在 RTX 4090 上的运行时间约为 85 ms。一个互补的执行管理器保持底层操作策略冻结，并在执行、重试、修复和重置模式之间进行选择。在注入干扰的情况下，它使 LIBERO 各套件的成功率提升了 25.7 至 39.2 个百分点。这两种设计都将成本高昂的预测或恢复逻辑与核心动作生成器分离，而不是扩展每一步推理。
资料来源
操作知识转化为可复用监督
PhysClaw-0 将自然语言纠正保存为可复用规则，因此反复出现的数据采集失败不再需要操作员重复干预。它用 4.8 分钟的人工作业时间采集了 50 条有效示范，而遥操作需要 30 分钟，同时下游策略的成功率均为 80%。Industrial Dexterity Benchmark 展示了更丰富传感的类似价值：在电缆抓取并插入任务中，多模态模仿学习达到 78%，而单摄像头 RGB 仅为 36%。这些评估范围有限，但表明持久化纠正和任务特定传感能够减少对单一整体策略的依赖。