How Should Vision-Language-Action Models Use Proprioceptive State?
一篇 arXiv 论文通过受控实验研究 VLA 模型应如何使用本体感觉状态。作者固定了骨干网络、训练数据、动作表示和评估协议，在流匹配 VLA 上实现了五种代表性接口（离散状态提示、VLM 前缀、动作前缀、状态专家、特征调制），并在 45 个原子任务和 20 个复合任务上评估，同时将状态历史长度从 1 扫到 96 帧。
Development
- First ReportHow Should Vision-Language-Action Models Use Proprioceptive State?arXiv cs.RO
- Current AssessmentVLA 模型是机器人操作领域的前沿方向，但状态接入方式缺乏共识。该论文通过统一实验框架比较五种接口，可能推动社区形成更标准化的状态编码实践，减少重复实验成本。可验证的下一信号是后续工作是否引用该论文的接口分类，或在标准基准上采用其推荐配置。Agent Pulse · analysis
这篇论文系统研究了视觉-语言-动作（VLA）模型中本体感觉状态的接入方式。作者指出，现有 VLA 模型几乎都将机器人本体感觉状态作为输入，但接入方式互不兼容——有的序列化为文本提示，有的投影到视觉-语言前缀，有的直接输入动作专家，且几乎都只用单帧。论文提出三个开放问题：当前状态是否以及哪些任务上能改善闭环控制；状态历史有多大帮助，其收益是反映真实时间变化还是仅增加条件容量；状态应进入视觉-语言骨干还是动作生成模块。通过固定骨干、数据、动作表示和评估协议的流匹配 VLA 受控实验，作者实现了五种代表性接口并在 45 个原子任务（覆盖三个任务族）和 20 个复合任务上评估，并将状态历史长度从 1 扫到 96 帧。
该研究为 VLA 模型的本体感觉状态接入提供了系统性的实证比较。五种接口的受控实现和跨任务族评估，有助于厘清状态输入位置和历史长度对闭环控制的影响。可验证的下一信号是论文的完整结果，特别是哪些任务上状态历史长度超过一定帧数后收益饱和，以及状态专家接口是否在复合任务上显著优于文本提示。
VLA 模型是机器人操作领域的前沿方向，但状态接入方式缺乏共识。该论文通过统一实验框架比较五种接口，可能推动社区形成更标准化的状态编码实践，减少重复实验成本。可验证的下一信号是后续工作是否引用该论文的接口分类，或在标准基准上采用其推荐配置。
对机器人公司而言，VLA 模型的状态接入方式直接影响控制性能和开发成本。该论文的实证比较可帮助团队避免盲目堆叠状态信息，选择更有效的接口设计，从而缩短迭代周期。可验证的下一信号是论文结果被应用于商业机器人系统后，是否报告了性能提升或成本下降。
该研究可能引导 VLA 模型设计走向更明确的状态接入规范。若结果支持状态历史的重要性，未来模型可能普遍引入时序状态编码；若显示状态位置影响显著，则架构设计会更注重模块边界。可验证的下一信号是论文完整结果发布后，社区是否出现基于其结论的新模型或基准。