本周，机器人 Vision-Language-Action (VLA) 工作按可执行控制来评判。最有力的证据把性能收益与 3D 锚定、闭环世界模型，以及能降低真实机器人误差的动作头联系起来。Dex-BEV、PiL-World 和 ActionMap 在基准和硬件上都显示了这一模式。
空间对齐是主要的性能杠杆。Dex-BEV 将视觉几何、本体感知和输出动作放入共享的鸟瞰视角坐标系。它在官方 LIBERO 上报告 97.8% 的平均成功率，在 RoboTwin 2.0 Clean 上为 76.0%，在修改了相机和姿态设置的 LIBERO 上为 89.9%，而列出的 2D 基线低于 10%。
GeoAlign 加入由 RGB 推导的几何特征，并由机器人状态进行查询。收益在几何敏感任务上最清楚：真实 ALOHA 的平均成功率为 78.8%，RGB-only 基线为 65.0%；透明瓶任务成功率为 75.0%，RGB-only 为 35.0%。3DThinkVLA 采用更轻的部署路线。它训练潜在 3D 感知和推理适配器，推理时仍使用 2D 图像，同时在 LIBERO 上达到 98.7%，在 LIBERO-PLUS 上达到 81.0%。
World Action Models (WAMs) 正通过其对动作选择、延迟和真实 rollout 一致性的影响来测试。GeoSem-WAM 训练未来 RGB、几何和语义预测头，然后在部署时移除这些头。报告的结果有实际意义：在 LIBERO 上平均成功率为 98.55%，在真实 Franka 任务上平均成功率为 95.4%，Fast-WAM 为 88.9%。
PiL-World 使用策略在环设置。冻结的 VLA 预测一个动作块，世界模型预测下一步多视角观测，生成的观测再作为下一次策略输入。在三个真实双臂任务中，它将真实成功率与想象成功率之间的平均差距降至 12.0%，Ctrl-World 为 63.2%；它还报告真实成功率和想象成功率之间的 Pearson 相关系数为 0.94。
几篇论文通过改变动作接口或适配路线来改善策略行为，同时基本保持主 VLA 不变。ActionMap 用覆盖平移、旋转和夹爪命令的体素热力图替代单点动作解码。在使用 OpenVLA-OFT 的 LIBERO 上，在相同训练步数下，它达到 97.3% 的平均成功率，L1 回归为 89.1%。在真实 Franka 任务上，它在 30 次试验中成功 20 次，回归头为 30 次中成功 7 次。
WIZARD 面向任务适配。它根据语言指令和一段短演示视频预测任务特定的 LoRA 权重，然后用生成的适配器运行冻结的 VLA。在留出的 LIBERO-Spatial 上，它达到 0.40 的平均成功率，列出的最强多任务 VLA 基线为 0.19，最近邻适配器检索为 0.02。它与任务特定专家之间仍有较大差距，但证据显示，适配速度和数据需求已经成为控制性能评估的一部分。