CLAP：不改骨干把预训练VLM直接转为VLA

Yuri Ishitoya等作者提出CLAP（Causal Language-Action Prediction），在每个数值动作序列前加上自然语言动作描述，让动作token预测以语言-动作规划为因果条件，从而在不修改骨干架构的情况下把预训练VLM直接转为VLA。作者称，2B版本仅训练4-5小时即在LIBERO上达到90.8%，比VLA-0高14.9个百分点，并在LIBERO-PRO的语言、物体和空间扰动下更稳健；消融实验将增益归因于动作接地的语言语义。 作者还称，在真实UR5e机器人上，2B CLAP成功率为60%，匹配的VLA-0为15%。团队以0.8B、2B、4B三个规模开源开放权重模型，均出自同一VLM谱系。该工作已被CoRL 2026接收，上述指标为作者自报，尚未见独立验证。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。