现有视觉 - 语言 - 动作（VLA）模型陷入两难：离散建模受限于词汇量，无法实现细粒度控制；连续扩散与预训练 VLM 语义错位，且与真实机器人的量化控制特性不符。中山大学团队提出E₀框架，基于 “连续化离散扩散”，让动作生成同时具备 VLM 兼容性、细粒度控制和强泛化能力，在 LIBERO、VLABench 等 14 个环境中平均超基线 10.7%，真实 Franka 机械臂操纵成功率达 45.6%，刷新 VLA 模型性能上限！
现有 VLA 模型的两大核心痛点
论文直指当前 VLA 建模的根本缺陷，所有结论均来自实验分析：
离散建模局限：AR 模型或掩码扩散依赖语言分词器，动作词汇量受限（通常 256 bin），无法满足细粒度操纵需求；掩码扰动导致分布不匹配，破坏正向 - 反向一致性；
连续扩散错位：连续空间与 VLM 的符号结构语义不兼容，且与真实机器人的量化控制（编码器分辨率、控制频率等）本质矛盾，泛化能力弱。
E₀核心创新：连续化离散扩散框架
E₀的核心是 “将动作生成建模为量化 token 的迭代去噪”，既保留离散建模的 VLM 兼容性，又突破词汇量限制，具体设计均来自论文：
动作离散化与连续化扩散：采用分位数离散化，支持最高 2048 bin 的细粒度词汇量（远超传统 AR 模型的 256 bin）；直接对 one-hot 动作向量加高斯噪声，遵循 Tweedie 公式，保持正向 - 反向一致性，避免掩码扩散的分布失配；
VLM 兼容与机器人控制对齐：离散 token 天然匹配 VLM/VLA 的符号结构，强化语义条件；同时贴合真实机器人的量化控制特性，贝叶斯最优去噪器能建模正确的离散动作分布，泛化性更强；
高效推理：推理时复用观测的 KV 缓存，仅更新动作 token，迭代去噪后确定性解量化为连续动作，兼顾效率与精度。
关键增强：球形视角扰动，提升跨视角鲁棒性
真实场景中相机视角变化易导致 VLA 模型失效，E₀提出 “球形视角扰动增强”，无需额外数据即可提升鲁棒性：
基于相机 - 场景几何，对输入图像进行球面上的偏航 - 俯仰旋转扰动，模拟动态相机视角；
引入相对球形嵌入，将相机的径向、水平、垂直位移编码为 token，与图像特征融合；
联合训练扰动图像与嵌入，减少模型对固定视角的依赖，跨视角一致性显著提升。
实验结果：仿真 + 真实世界双碾压 SOTA
论文在 3 大仿真基准和真实 Franka 机械臂上全面验证，所有数据均来自论文官方实验：
1. 仿真实验（LIBERO/VLABench/ManiSkill）
综合成功率：E₀平均达 60.8%，超 π₀（51.4%）、π₀.5（50.1%）等基线 10.7%（数据来源：论文 Table1）；
细分任务优势：LIBERO-Long（长程任务）成功率 92.2%，ManiSkill 插销任务达 24%（远超基线的 0-13.2%），VLABench 扑克抓取成功率 72%（基线最高 30%）；
视角鲁棒性：加入球形视角增强后，E₀在 LIBERO 的平均成功率从 66.5% 提升至 83.9%，碾压 π₀的 50.8%（数据来源：论文 Table3）。
2. 真实世界实验（Franka 机械臂）
8 类任务覆盖短 / 长程操纵，E₀平均成功率 45.6%，超 π₀（43.1%）、π₀.FAST（10.0%）（数据来源：论文 Table2）；
泛化亮点：堆叠任务中交换红 / 绿方块位置（训练未见过），E₀仍能正确识别并完成堆叠；拾取任务中应对物体位置变化，动态调整动作。
核心贡献与研究价值
E₀的突破为 VLA 模型提供全新范式，核心贡献来自论文官方定义：
提出连续化离散扩散框架，支持任意细粒度离散化，兼顾 VLM 兼容性与机器人控制对齐；
设计球形视角扰动增强与相对球形嵌入，大幅提升跨视角鲁棒性；
在 14 个多样化环境中实现 SOTA，真实机器人操纵验证实用性，为通用 VLA 政策学习指明方向。
论文出处
标题：《E₀: Enhancing Generalization and Fine-Grained Control in VLA Models via Continuized Discrete Diffusion》
作者：Zhihao Zhan, Jiaying Zhou, Likui Zhang, et al.（中山大学、广东工业大学、X-Era AI Lab）
项目开源地址：https://doo-mon.github.io/e0web/
发表版本：arXiv:2511.21542v1 [cs.RO]
版权声明：本文内容均来源于上述论文，版权归原作者及所属单位所有，转载请注明出处。
关注【具身智能制造】，每周拆解机器人与 AI 领域顶会，带你紧跟前沿技术～
