绝了！预训练VLA永不遗忘秘诀曝光，双系统推理碾压一切，AI革命风暴来袭！

Fast-in-Slow：

一种在慢推理中嵌入快操控的双系统基础模型

Fast-in-Slow (FiS) 提出了一种统一的双系统VLA模型，灵感来源于认知双过程理论：将快速执行模块（System 1，高频操纵）嵌入到基于VLM的慢速推理模块（System 2）中，通过部分参数共享实现。

复用预训练VLM（如7B规模）的最后几层Transformer块作为轻量System 1执行头（异步高频输出动作），而完整VLM保留为System 2进行多模态推理和规划。

这种“Fast-in-Slow”架构避免了传统双系统需额外独立策略头的低效，同时保证推理-执行协调。

这种方案的结果是在仿真提升8%、真实双臂任务提升11%成功率，动作chunk=8时控制频率达117.7 Hz，兼顾泛化与实时性。

论文链接：

https://arxiv.org/abs/2506.01953

项目主页：

https://fast-in-slow.github.io/

ThinkAct：

通过强化视觉潜在规划实现视-言-行推理

ThinkAct (NeurIPS 2025, NVIDIA) 提出了一种双系统VLA框架，通过强化视觉潜在规划桥接高层推理与低层动作执行。

核心技术为训练多模态LLM生成具身推理计划（embodied reasoning plans），使用动作对齐视觉奖励（基于目标完成+轨迹一致性）进行强化学习（GRPO风格），奖励引导长时序规划、自纠错。

推理计划压缩为视觉潜在轨迹（visual plan latent），条件下游动作模型，实现few-shot适应、长时序任务与动态环境鲁棒执行。

实验显示在LIBERO等基准上显著提升few-shot、long-horizon与self-correction能力。

论文链接：

https://arxiv.org/abs/2507.16815

项目主页：

https://jasper0314-huang.github.io/thinkact-vla/

预训练的视觉-语言-动作

模型在持续学习中展现出惊人的抗遗忘性

Pretrained Vision-Language-Action Models are Surprisingly Resistant to Forgetting in Continual Learning 通过大规模实证研究揭示：大型预训练VLA模型在机器人持续学习中对灾难性遗忘表现出惊人抵抗力，与从零训练的小型策略模型形成鲜明对比。

核心技术与发现：

• 在LIBERO等基准上，预训练VLA（如GR00T、pi0）采用简单经验回放（Experience Replay），仅需2% replay buffer即可实现近零遗忘（甚至出现正向后向迁移），而小型BC模型严重遗忘。

• 预训练是关键：它从根本上改变持续学习动态，大模型在小回放缓冲下保持先前任务性能，同时对新任务仍有强前向学习能力。

• 额外洞察：模型规模本身也有帮助（从零训练的大模型也显示低遗忘），但预训练作用更显著；无需复杂正则化（如EWC），简单Sequential + 少量Replay就足够。

这颠覆了传统持续学习假设，为VLA在真实机器人终身学习中的部署提供了强信心。

论文链接：

https://arxiv.org/abs/2603.03818

项目主页：

https://continual-vlas.github.io/forget-me-not

视频讲解：

https://youtu.be/HaalfULkPoY?si=N7U6StCoOLB0wJa-