现有 VLA 的三大 “高门槛” 痛点，让人望而却步
依赖超大 VLM backbone：主流 VLA 多采用 7B/13B 参数的 VLM，不仅推理慢，还占用大量显存，部署成本高；
训练成本极高：需要大规模机器人预训练数据（如 Open X-Embodiment），训练需多块高端 GPU，耗时数天；
VL 到动作的桥梁低效：现有方法要么只用 VLM 最后一层特征（语义偏强，缺乏细节），要么设计复杂接口，未能充分利用有效 VL 信息，导致动作生成精度不足。
VLA-Adapter 的破局：先找 “有效特征”，再建 “高效桥梁”
VLA-Adapter 的核心逻辑是 “先搞清楚什么有用，再设计极简架构”，分为两大关键步骤，所有设计均基于论文的系统实验发现：
1. 关键发现：揭开 VL 特征的 “有效密码”
发现 1：Raw 特征（VLM 原生特征）中，中间层比深层更有效—— 深层特征偏语义，中间层兼顾图像细节和文本对齐，更利于动作生成；
发现 2：ActionQuery 特征（额外学习的查询特征）中，深层比浅层更有效——ActionQuery 从零训练，深层能聚合更丰富的多模态信息；
发现 3：多层特征优于单一层—— 不仅提升性能，还无需手动选择最优层，通用性更强；
发现 4：Raw+ActionQuery 融合最优 —— 单一特征在部分硬任务中表现不足，融合后能互补优势（如中间层 Raw 在复杂任务中更优）。
2. 核心设计：Bridge Attention Policy（仅 97M 参数）
输入特征：融合 VLM 所有层的 Raw 特征（CtR）和 ActionQuery 特征（CtAQ），再加本体感受状态（Pt）；
Bridge Attention 结构：包含两个交叉注意力（分别处理 Raw 和 ActionQuery）和一个自注意力（动作序列自身），用可学习参数 Ratio g 控制 Raw 特征的注入程度，避免无效信息干扰；
训练方式：端到端训练，Policy 从零开始训练，VLM 可冻结或微调，无需机器人预训练数据。
图 3 展示 VLA-Adapter 的完整流程：VLM 提取多层 Raw 和 ActionQuery 特征，Policy 通过 Bridge Attention 融合这些特征生成动作，右侧标注四种特征条件的对比，红色框突出 “多层融合” 的核心设计。
实验验证：tiny-scale 模型，SOTA 级表现，成本骤降
论文在仿真（LIBERO、CALVIN）和真实世界三大场景验证，所有数据均来自论文实验部分，性能全面碾压基线：
1. 仿真实验：0.5B 参数干翻 7B 模型
LIBERO 基准（4 大套件）：
-
VLA-Adapter 平均成功率 97.3%，其中 LIBERO-Long（长时任务）达 95.0%，比同 backbone 的 OpenVLA-OFT 高 9.2%，比 7B 级的 π₀（94.2%）、SmolVLA（88.8%）更优；
轻量化版本 VLA-Adapter-Pro 更夸张，Spatial 套件成功率 99.6%，Object 套件 99.6%，全面刷新 SOTA（Table 5）。
CALVIN ABC→D（零样本泛化）：
-
连续完成 5 个任务的平均长度达 4.42，远超 7B 级 OpenVLA-OFT（4.10）和 tiny-scale 的 Seer（4.28）；
单个任务成功率 99.1%，连续任务完成度行业领先（Table 6）。
推理速度：吞吐量达 219.2Hz， latency 仅 0.0365 秒，是 OpenVLA-OFT（71.4Hz）的 3 倍，OpenVLA（0.2396 秒）的 6.5 倍（Table 4）。
2. 真实世界实验：泛化能力拉满
平均成功率远超 ACT 和 OFT-style 基线，尤其在长时任务（如 “勺子放杯子→杯子放盘子”）中表现稳定；
物体位置随机化（分布偏移）时仍保持高成功率，泛化能力突出。
图 6 展示真实世界实验平台：6-DOF 机械臂 + 双目相机，红色框标注 “多类型任务场景”，涵盖简单拾取到长时复杂任务，验证模型的实际可用性。
3. 训练成本：单消费级 GPU 即可搞定
训练设备：单块消费级 GPU（无需 H100/A100）；
训练时间：仅 8 小时，是传统 VLA 模型（数天）的 1/6；
可扩展性：VLM 冻结时，仅训练 ActionQuery 和 Policy，显存占用更低，部署更灵活（Table 3 显示冻结 VLM 仍达 86.4% 成功率）。
总结
核心贡献
首次系统分析 VL 到动作的桥梁机制，给出 VLA 设计的关键发现（哪些特征更有效）；
提出轻量级 Bridge Attention Policy，实现 VL 特征到动作的高效映射，仅 97M 参数；
实现 tiny-scale VLA 的 SOTA 性能：0.5B 参数、无机器人预训练、单 GPU 8 小时训练、推理速度最快；
大幅降低 VLA 部署门槛，推动普通研究者和工业界的应用。
论文出处
标题：《VLA-Adapter: An Effective Paradigm for Tiny-Scale Vision-Language-Action Model》
作者：Yihao Wang, Pengxiang Ding, Lingxiao Li, Can Cui, Zirui Ge, Xinyang Tong, Wenxuan Song, Han Zhao, Wei Zhao, et al.
单位：Beijing University of Posts and Telecommunications, Westlake University, Zhejiang University, OpenHelix Team 等
项目链接：https://vla-adapter.github.io/（含代码、训练模型、可视化结果）
版权声明：内容均来自上述论文，版权归原作者及相关单位所有，转载请注明出处。
