每篇论文一个网页：拆开方法，按原表比例重画结果，把论文的主张和我们的判断分开写。同一专题的论文另有一页横向对照。
21 篇论文 · 3 个专题 · 最近更新 2026-10-19
ForceVLA: Enhancing VLA Models with a Force-aware MoE for Contact-rich Manipulation
π0 加力感知 MoE：6 维力/力矩在 VLM 之后融合，5 个真机接触任务平均成功率 60.5%，不接力的 π0 为 37.3%。
复旦、上交等
Tactile-VLA: Unlocking Vision-Language-Action Model's Physical Knowledge for Tactile Generalization
触觉 token 进 VLM 前缀，动作里带目标力，交给位置-力混合控制器；主打「轻一点」「用力」这类力度词的零样本泛化。
清华、电子科大、上交
T-Rex: Tactile-Reactive Dexterous Manipulation
去噪轨迹从 τ=0.4 劈开：动作专家每块跑前 6 步，只读触觉的小专家在块内每 4 步用最新触觉跑完后 4 步；100 小时触觉中训练，12 个灵巧手任务平均 65 分，最强基线 35。
UC Berkeley、NVIDIA、Stanford 等
N0-TWAM: Scaling Tactile-Native World Action Model for Contact-Rich Manipulation
视频、触觉、动作三专家的非对称 MoT 世界动作模型：未来触觉和未来视频一起生成，当前触觉在力空间经交叉注意力读入；UniVTAC 84.5%，8 个真机任务平均 46.3%（π0.5 30.0%）。
NeoteAI、复旦 TEAI
N0-VTLA: Scaling Vision–Tactile–Language–Action Model with Latent Tactile Tokens
触觉不进 VLM 前缀，先预测接下来一个动作块的触觉变化潜变量 z，再用 z 条件动作专家；三阶段接入 π0.5，20 个仿真任务 63.8%（π0.5 44.0%），另有离线 RL 方法 ALTER。
NeoteAI、复旦 TEAI
Motus2: A Self-Evolving General World Model for Dexterous Manipulation
一套权重分别当策略、模拟器、评估器的自进化世界模型；触觉是一个旁路专家，在动作块内每 0.2 s 修正一次动作。
清华朱军组、生数 GensPI
ME-Dex 1.0: Bringing Heterogeneous Tactile Sensing into World Action Modeling
视频、触觉、动作三专家联合去噪的世界动作模型，触觉作为要预测的未来观测；夹爪和灵巧手的触觉统一到规范手。
理想汽车基础模型团队
包在机器人基础模型外面或内部的那层设计：每一步让模型看到什么、跨步记住什么、任务怎么分层交接、用什么评价信号修正。按四类收录：上下文架构、持久状态与记忆、结构化执行、评估与反馈。
设计模型每次决策时看到什么、以什么形式看到：检索、视觉选择、时序对齐等。
ActiveVLA: Injecting Active Perception into Vision-Language-Action Models for Precise 3D Robotic Manipulation
相机不动，在重建点云上挑虚拟视点再缩视场角放大：BridgeVLA 骨干的精阶段改看球面上选出的 3 个视图和 4 倍放大图；RLBench 91.8%（BridgeVLA 88.2），推理时间约翻倍。
复旦、上海创智学院、南洋理工
TIC-VLA: A Think-in-Control Vision-Language-Action Model for Robot Navigation in Dynamic Environments
把慢 VLM 的 KV cache 连同推理延迟 Δt 和期间位移 Δp 一起喂给 10 Hz 导航动作专家，训练时注入延迟；DynaNav 85 条 SR 55.29（最强语言基线 32.94），不建模延迟时 47.06 → 30.59（均无 RL）。
UCLA
RA-VLA: Retrieval-Augmented VLA for Test-Time Adaptation
GR00T N1.5 外挂示范检索：DTW 监督的检索器按动作阶段取片段，动作头每层拼一段并用 margin 损失逼它读；LIBERO 留出套件平均 0.3845（最强基线 0.2085），UR5e 0.5625（0.3542）。
POSTECH
在多步任务中持续保存任务状态、空间状态和执行历史，让当前动作不只依赖当前观测。
MemoryVLA: Perceptual-Cognitive Memory in Vision-Language-Action Models for Robotic Manipulation
CogACT 式 VLA 的 VLM 与 DiT 动作头之间插一个感知-认知记忆库：每步存 256 个感知 token + 1 个认知 token，cross-attention 检索、门控融合，库满合并相邻最相似条目；真机 6 个时序任务平均 83，CogACT 57。
清华、Dexmal、旷视等
Global Prior Meets Local Consistency: Dual-Memory Augmented Vision-Language-Action Model for Efficient Robotic Manipulation
给 π0.5 外挂两块记忆，都接在 flow 的去噪起点上：检索同类示范轨迹的均值和方差代替高斯噪声，按相似度定噪声和步数；Mamba 读上一个动作块再加偏置。LIBERO 平均 98.6（π0.5 96.9），NFE 3.2 vs 10。
哈工大（深圳）、鹏城实验室、深圳河套学院、华为诺亚方舟实验室
Spatial Memory for Out-of-Vision Manipulation in Vision-Language-Action
可动头部先扫一圈，用 YOLO-World、DINOv3、VGGT 把每个物体压成带 3D 框的记忆 token，门控 EMA 刷新、交叉注意力读进 DiT；5 个视野外真机任务各阶段平均成功率 28.3%，GR00T N1.5 约 18%。
港科大（广州）、AI²Robotics、港科大
HiMe: Hierarchical Embodied Memory for Long-Horizon Vision-Language-Action Control
π0.5 执行、Qwen3-VL-8B 判子任务是否完成、GPT-4o 只在交接点增改删图文记忆的三层框架；WidowX 三个长程任务平均任务进度 90%，FIFO 式 Flat Memory 65%。
复旦、上海创智学院、华东师大
把复杂任务组织为「推理 → 意图/子任务 → 动作」的分层受控执行流程，通过明确的中间接口连接高层决策与低层控制。
ACoT-VLA: Action Chain-of-Thought for Vision-Language-Action Models
结构化执行：π0.5 先用 EAR 去噪出一段 15 点、步长 2 的粗参考轨迹，再用 IAR 从 VLM 的 KV 里抽隐式先验，动作头读两者生成动作；LIBERO 98.5（π0.5 96.9），LIBERO-Plus 微调设定 88.0（75.7）。
北航、智元 AgiBot
MotorMind: Scaffolding General Vision Language Models for Zero-Shot Robot Manipulation
结构化执行：冻结的通用 VLM 分饰规划、执行、监控、验证、记忆，输出带数值的中层动作交给确定性控制器，监控异步并行；LIBERO-PRO 零样本 66.7% / 扰动 53.8%，但每回合约 223 秒。
UIUC
在执行前或执行后引入显式评价信号，根据结果修正计划、更新状态或适应策略，形成闭环。
On-the-Fly VLA Adaptation via Test-Time Reinforcement Learning
评估与反馈：VLAC 进度估计的差分做每步奖励，无价值函数的 PPO 每 8 步更新一次 LoRA，每回合重置；4 个 VLA、15 个未见任务上维度平均提升 0.8–3.8 个点。
UMKC、港科大（广州）、Meta AI 等
τ0-WM: A Unified Video-Action World Model for Robotic Manipulation
评估与反馈：同一个 Wan2.2-5B 视频主干开两个口，VAM 预测未来视频并出动作，ACVS 给候选动作想象多视角未来并打逐帧进度分；部署时先用重去噪一致性挑候选，不可靠时才调用 ACVS 选最好的未来再让 VAM 重新生成。4 个长程真机任务平均成功率 0.64（π0.5 0.44）。
智元 AGIBOT Finch、上海创智学院
RoboTTT: Context Scaling for Robot Policies
评估与反馈：GR00T N1.7 动作头每层加测试时训练（TTT）层，快权重部署时也做梯度更新，上下文扩到 8K 步；DAgger Distillation 把「失败 → 人的纠正」蒸馏进快权重。三个装配任务平均完成分 79（GR00T 42，GDN 56），预训练上下文 1K → 8K 平均分 43.9 → 71.5。
NVIDIA、Stanford、UT Austin
τ0-VLA: a Hierarchical Robot Foundation Model with World-Model-Guided Test-Time Computation
评估与反馈：带执行记忆的高层在不确定时做子任务束搜索，世界模型想象后果、价值模型打分后再提交；分层 + 记忆让四个长程真机任务平均成功率 27.5% → 45.0%，搜索再加 2–3 次成功 / 10。
智元 Agibot Finch、上海创智学院、港中文
怎样把真实场景搬进仿真，怎样让仿真里训练或评估的策略在真机上表现一致：从一次性重建与域随机化，到部署时持续同步的数字孪生。
Real-is-Sim: Bridging the Sim-to-Real Gap with a Dynamic Digital Twin
以 60 Hz 与真实世界同步的 Embodied Gaussians 数字孪生作为策略的唯一接口：策略只读仿真、只控仿真机器人，真机跟随；断开真机即可并行离线评估。PushT 上离线评估与真机排序一致，补仿真示范 56.7% → 80.0%，虚拟腕部相机 81.7%。
Robotics and AI Institute、QUT