Vela：预测平滑轨迹而非动作块的 VLA 模型

一句话： 多数视觉-语言-行动（VLA）模型会在固定时间步上输出固定数量的未来动作，称为"动作块"。Vela 改为预测一条平滑曲线的控制点，以及这条曲线应持续多久。这样同样的输出预算既能覆盖一段长而平滑的伸手动作，也能覆盖一段短而精细的接触动作。

它解决的问题

动作块里相邻动作几乎相同，浪费了模型容量；而且存在取舍：预测时间越长，步长越粗，会损害精细的接触操作。

Vela 怎么做

• 预测 12 个三次 B 样条控制点和一个随动作而变的时间跨度（16–40 步）。
• 训练时，每段示范都会被分配样条在噪声感知容差内能表示的最长时间跨度。
• 共享的 26 维动作空间让它能跨多种机器人训练。
• 基于 π0.5 架构（3B PaliGemma 骨干 + 3 亿参数动作专家），用约 2 万小时、来自 60 个数据集的公开机器人数据加约 2 万小时私有数据预训练。

作者报告的结果

基准	π0.5	Vela
LIBERO-X 平均成功率	39.3%	45.3%
EBench 总体成功率	41.4%	49.7%
真实鸡蛋饼制作（子任务平均成功率）	37.5%	67.5%
真实土豆擦丝（子任务平均成功率）	62.5%	87.5%

在 LIBERO-X 上，分布偏移越大的难度级别提升越明显。仅对普通模型输出做事后样条拟合，无法复现这些提升。

为什么重要

机器人模型怎样表示动作，和模型有多大同样重要。Vela 表明，连续轨迹可能成为未来机器人基础模型的默认输出格式。以上是作者在预印本中给出的数据，尚未经过独立复现。