作者丨张 璐
编辑丨幸丽娟
过去一段时间，Scaling Law 在具身智能领域备受推崇。为完成复杂的搬运与组合任务，多数研究将视觉 - 语言 - 动作（VLA）模型参数量推至 7B 甚至 8.5B。虽然大参数提升了语义理解与场景识别能力，但长程操控中的不稳定性问题并未解决。
许多大参数 VLA 模型在执行到第 10 步及之后时常出现突然失败。核心原因在于累积误差放大：早期微小的定位偏差会在后续步骤中逐步放大，最终导致抓取失败或动作中断。即便参数量增加，模型在动作后半程仍难以及时纠正偏差。
针对这一痛点，华东师范大学与上海交通大学团队提出了 S²-VLA。该工作由谢志鹏、韩宗益（共同一作）、赵静（通讯作者）和孙仕亮等完成。团队未继续堆叠参数，而是引入信念状态和自适应动态门控，使模型能根据当前阶段调整注意力分配。结果显示，仅 2B 参数的 S²-VLA 在 LIBERO-Long 基准上达到 96.4% 的成功率，超越了多数 7B 乃至 8.5B 的模型。
论文链接：https://arxiv.org/pdf/2606.27872
以下从机制原理与实际表现两方面解析其技术路径。
01 静态注意力：微小偏差为何会一路放大
传统 VLA 在长程任务中常面临失败风险。在解耦式 VLA 架构中，上层策略头将视觉和语言特征映射为控制指令。多数方法采用静态特征融合（Static Fusion），即视觉、语言和动作历史的权重比例在整个任务过程中固定不变。
这种模式在短任务中尚可接受，但在长程序列中暴露出两大缺陷：
第一，早期若出现毫米级定位偏差，模型无法及时提高视觉权重进行纠偏，导致误差累积直至任务失败。
第二，子任务切换时缺乏对高层意图的动态调整，模型易偏离当前指令，造成动作中断或停滞。
静态融合相当于全程使用同一套“注意力配比”应对不同阶段需求：需精细对准时视觉权重不足，需切换目标时意图权重不够。S²-VLA 则通过随阶段调整策略来解决这一问题：精准对准时提高视觉权重，任务切换时提升意图权重以重新锁定目标。
02 核心机制：信念状态 + 三路自适应注意力
为实现阶段自适应的注意力分配，S²-VLA 架构主要包含两个核心部分：
信念状态（Belief State）
模型利用轻量级循环网络，实时接收上一时刻的动作历史和关节传感器反馈。它不直接输出动作，而是在内部维持一个“信念状态”，用于判断当前执行进度及是否存在偏差。
该状态无需人工标注阶段标签，完全依靠端到端预测下一个动作的损失来驱动，在潜空间中自主学习任务进度和执行质量的估计。训练时仅优化最终动作预测，信念状态作为中间表征被间接监督，从而自发形成对“进度”和“偏差”的感知。
三路自适应注意力（SSGAA Module）
基于信念状态提供的阶段信号，SSGAA 模块将策略头的特征融合拆分为三条平行通道：
- 局部视觉通道（Visual Cross-Attn）：接入 VLM 低层视觉 Token，负责精细空间定位和对准；
- 全局意图通道（Intent Cross-Attn）：接入高层语义 Token，负责子任务规划和目标理解；
- 动作自注意力通道（Action Self-Attn）：在预测的未来多步动作间建立时序关系，保持轨迹连贯。
信念状态生成动态门控权重，根据当前阶段决定三条通道的比重：高精度定位时视觉通道权重上升；切换子任务时意图通道权重上升；平稳移动阶段则由动作自注意力通道主导。消融实验表明，将门控加在策略头中间层（如第 12 层）效果最佳，既保持了特征稳定，又保留了自适应能力。
03 31 步里的注意力变化：和关键动作帧对齐
实际执行中，三路门控权重随任务阶段显著变化。通过将 31 个推理步骤的门控曲线与关键动作帧对齐，可清晰观察其规律。
以“把芝士盒和黄油放进篮子”为例，分析如下：
瞄准与定位阶段（关键帧 4、9、21、26）：绿色曲线（视觉门控权重）明显升高。当末端执行器接近目标时，模型提高视觉权重以进行更精细的空间定位，及时纠正毫米级偏差。
抓取与子任务切换阶段（关键帧 7、16、23、30）：红色曲线（意图门控权重）升高。在夹爪闭合、物体放入篮中或切换目标时，模型提升高层意图权重，确保子任务切换流畅不中断。
稳态平移阶段（关键帧之间的过渡期）：蓝色曲线（动作自注意力）保持较高水平，主导轨迹生成。此阶段主要依赖时序关系保持运动平滑，减少对无关视觉细节的计算，优化算力分配。
结果表明，2B 参数的 S²-VLA 之所以能超越更大模型，关键在于其注意力机制不再一成不变，而是按阶段将算力分配到最需要的地方。
04 动态注意力、分层解耦与端侧效率
S²-VLA 的设计理念与当前空间智能、世界模型方向的讨论高度契合，主要体现在三点：
随任务阶段动态调整注意力
物理世界模型不能仅静态看图，需在时空变化中动态分配注意力。传统 VLA 的静态融合缺乏此能力。S²-VLA 通过信念状态与动态门控，实现了接近物体时提高局部视觉权重、任务切换时提高意图权重的自适应机制。
高层语义与低层控制解耦
业界趋势倾向于将“看”（高层语义）与“动”（低层控制）解耦。直接用大单体模型拟合所有关节角度成本高且鲁棒性差。S²-VLA 采用分层思路：底层 VLM 负责语义和几何表征，策略推理利用轻量信念状态调节注意力门控。这使得小模型在长程任务上也能表现稳定。
端侧可用的显存和吞吐
实际部署看重成本与响应速度。S²-VLA 推理显存仅需约7GB，吞吐量达80.8 Hz（同类 7B 模型通常仅几 Hz）。这意味着无需依赖大型服务器远程控制，显著降低了响应延迟和部署门槛，对家电或工厂场景的落地具有重要参考价值。
05 结语：参数量之外，更需要阶段自适应的调度
S²-VLA 的价值不仅在于提升成功率，更证明了长程操控中单纯增加参数量并非唯一出路，阶段自适应的注意力机制同样关键。
大参数量虽能增强语义理解，但长程动作的稳定性取决于能否在对的阶段将算力分配到位。静态融合将所有阶段等同处理，易放大误差；动态门控则让模型在需要纠偏时关注视觉，切换时关注意图，平稳时维持连贯。
对于具身智能和 Agent 系统而言，在端侧显卡上以低显存、高频率运行的方案更具落地前景。相比单纯扩大模型规模，具备阶段自适应调度能力的架构或许更具长期价值。