GAIR Paper 108 | CVPR 2026 冠軍獎論文：4K 參數撬動 VLA 泛化，空間才是真正的瓶頸！

機器人在未曾見過的環境中突然失靈，背後原因可能不是它學不會物理規則，而是它「看到的空間」出了問題。中山大學與 X-Era AI Lab 團隊近日發表的研究指出，當前視覺-語言-動作模型（VLA）在面對新視角、光照變化、紋理差異或傳感噪聲時表現脆弱，根源在於空間表徵發生錯位，而非模型缺乏物理推理或動作控制能力。這項成果連同兩篇論文，分別被 CVPR 2026 與 ACM MM 2026 接收，其中一篇更獲得首屆 CVPR Compute Transparency Champion Award 冠軍論文獎。 傳統觀點常將 VLA 視為端到端系統：輸入影像與語言指令，直接輸出機器人動作。但這組論文提出更細緻的拆分，將 VLA 內部功能分為兩個部分。第一部分是空間建模，由視覺編碼器負責，任務是從圖像中恢復物體的位置、朝向、遮擋關係與視角結構，形成後續策略所需的空間表徵。第二部分則是物理建模，由視覺語言模型與動作專家共同承擔，結合任務語意、空間表徵與動作歷史進行高層推理，並產生可執行的動作序列。 研究團隊透過實驗發現，當相機視角改變時，真正受到影響的是空間配置，而非任務語意或執行工作所需的物理規律。這意味著新視角下的效能下降，更可能來自空間表徵與後端策略之間的對齊失靈，而非整個 VLA 的物理推理失效。這個判斷將改善焦點從「堆疊更多數據、擴大模型規模」轉移到一個更具體的問題：模型內部看到的空間，是否足夠真實且穩定。 為了驗證這項假設，論文提出一套 one-shot 穩健適應框架，僅用極少量可學習參數來校正 VLA 的視覺空間表徵，其餘部分完全凍結。其中，Feature Token Modulation（FTM）只引入兩個全域可學習向量，對視覺 token 進行簡單的仿射變換——重新縮放與重新置中特徵分佈。僅需學習約 4K 個參數，便將 LIBERO 新視角任務的成功率從 48.5% 提升至 87.1%。 另一種方法 Feature Linear Adaptation（FLA）則在 ViT 編碼器的線性層中加入低秩更新，動用約 4.7M 個參數完成更深層的特徵對齊。在相同測試中，FLA 達到 90.8% 的成功率，超越強 LoRA 基線的 90.3%，且參數量從 467M 降至 4.7M，減少約 99 倍。在擴展的 LIBERO-V 視覺擾動基準上，FLA 在相機、光照、紋理與噪聲四類擾動條件下取得 94.8% 的平均成功率，而 FTM 以僅 0.004M 參數達到 90.5%。這些數據清楚顯示，對空間表徵進行有針對性的輕量校正，效果不輸全模型微調，空間建模確實是 VLA 泛化鏈條中的真正瓶頸。 這項發現帶來更深層的啟發：空間智能與物理智能是兩個可以分別分析、校正與重組的層面。空間智能對應模型對幾何結構的建模能力，包括三維位置、視角變化、遮擋關係與物體佈局；物理智能則指模型對動作、接觸、約束與因果後果的建模能力。論文提出的「空間與物理可分離」觀點，為所謂的原生世界動作模型（Veridical World Action Model，VWA）鋪平了道路。 在 VWA 框架中，空間不再是視覺語意的附屬品，而是世界動作模型的幾何基礎；物理也不是動作頭之後才訓練出來的表面能力，而是在預訓練階段就必須直接學習的時空演化與因果約束。當前許多具身模型仍遵循「先預訓練視覺語言模型或影片模型，再後訓練成動作模型」的路徑，隱含假設語言或影片中的世界知識最終會自然遷移為動作能力。但真實機器人需要的不是預測下一個詞元，也不是生成未來畫面，而是在物理世界中預測動作及其後果。VWA 的核心主張正是修正這種錯位：如果最終目標是讓模型在物理空間中行動，預訓練階段就應該直接學習真實世界中的狀態、動作與時空變化，包括未來三維位置、運動趨勢、接觸狀態、材質屬性、可操作性與環境約束。機器人動作則可被視為從這個密集物理預測場中讀出的本體軌跡。 值得一提的是，論文「VLA Models Are More Generalizable Than You Think」獲得了 CVPR 2026 Compute Reporting Initiative 的最高認可——Compute Transparency Champion Award。這是 CVPR 首次設立此獎項，旨在表彰在計算資源、實驗方法與可復現細節上達到示範性揭露的研究。這項榮譽與論文主題形成巧妙呼應：具身智慧需要模型理解真實世界，而研究過程本身也需要真實、透明與可復現。論文同時推進了兩個方向的透明化——讓機器人更清楚地理解物理世界，也讓研究社群更清楚地理解智慧模型是如何被訓練、評估與復現的。 在世界模型、空間智能與物理智能快速匯流的當下，這兩篇論文提供了一個簡潔而重要的判斷：對 VLA 的有效改進，不應只是把語言、視覺與動作繼續堆疊，而應重新理解空間與物理的關係，並在此基礎上構建真正原生於物理世界的動作模型。從僅 4K 參數的輕量校正到原生世界動作模型的藍圖，這條路徑或許正是突破當代具身智慧瓶頸的關鍵方向。