ChainVLA: Chaining Vision-Language-Action Queries through a Unified Execution State for Long-Horizon Manipulation
ChainVLA 是一种 1.2B 参数的视觉-语言-动作（VLA）策略，通过联合且可修订的执行状态链接连续查询。它引入 Progress Context（结合循环工作状态和稀疏事件记忆）与 Motion Tail（将先前预测的未执行延续输入状态构建和动作生成）。在 RMBench 上平均成功率达 62.8%，在四个 LIBERO 套件上达 98.8%。移除 Motion Tail 或 Progress Context 后，RMBench 成功率分别降至 11.2% 和 3.0%。
发展脉络
- 首次出现ChainVLA: Chaining Vision-Language-Action Queries through a Unified Execution State for Long-Horizon ManipulationarXiv cs.RO
- 当前判断ChainVLA 展示了在长时程操作中通过统一执行状态链接查询的有效性，其高成功率（RMBench 62.8%，LIBERO 98.8%）表明该方法在机器人操作领域具有竞争力。这可能会推动 VLA 策略在复杂任务中的应用，并激励进一步研究跨查询状态管理。Agent Pulse · 分析
ChainVLA 是一种 1.2B 参数的视觉-语言-动作（VLA）策略，旨在解决长时程操作中的跨查询交接问题。现有方法要么通过记忆保留长期任务证据，要么通过动作重用和集成保留短期运动，但跨查询交接不完整。ChainVLA 通过联合且可修订的执行状态链接连续查询。Progress Context 结合循环工作状态和稀疏事件记忆，携带观察衍生的任务进度；Motion Tail 将先前预测的未执行延续输入状态构建和动作生成。两者共同条件化一个解码器，在最新观察下重新生成每个动作时域，使携带的状态指导下一次预测而不固定它。在 RMBench 上达到 62.8% 的平均成功率，在四个 LIBERO 套件上达到 98.8%。消融实验显示，移除 Motion Tail 或 Progress Context 分别将 RMBench 成功率降至 11.2% 和 3.0%，表明两个组件对性能至关重要。
ChainVLA 通过引入可修订的执行状态来链接查询，解决了 VLA 策略中长时程任务的跨查询交接问题。其 Progress Context 结合循环工作状态和稀疏事件记忆，携带任务进度；Motion Tail 利用先前预测的未执行延续，使状态构建和动作生成连贯。这种设计允许解码器在最新观察下重新生成动作时域，同时保持状态指导。消融实验显示，移除任一组件都会导致性能大幅下降，表明两者互补。这提示长时程操作需要同时考虑任务级进度和运动级连续性。
ChainVLA 展示了在长时程操作中通过统一执行状态链接查询的有效性，其高成功率（RMBench 62.8%，LIBERO 98.8%）表明该方法在机器人操作领域具有竞争力。这可能会推动 VLA 策略在复杂任务中的应用，并激励进一步研究跨查询状态管理。
ChainVLA 的高成功率可能降低机器人自动化在长时程任务中的部署成本，提升效率。对于机器人公司，采用此类策略可减少人工干预，提高任务完成率，从而增强产品竞争力。
未来可验证的信号包括：ChainVLA 在真实机器人上的部署结果、与其他 VLA 方法的对比评测、以及其状态链接机制在更长时程任务中的扩展性。