文章圖片
文章圖片
文章圖片
文章圖片
在長期以來的 AI 研究版圖中 ， 具身智能雖然在機器人操作、自動化系統(tǒng)與現(xiàn)實應用中至關重要 ， 卻常被視為「系統(tǒng)工程驅(qū)動」的研究方向 ， 鮮少被認為能夠在 AI 核心建模范式上產(chǎn)生決定性影響 。
而 ReconVLA 獲得 AAAI Outstanding Paper Awards ， 釋放了一個清晰而重要的信號：讓智能體在真實世界中「看、想、做」的能力 ， 已經(jīng)成為人工智能研究的核心問題之一 。
這是具身智能（Embodied Intelligence / Vision-Language-Action）方向歷史上 ， 首次獲得 AI 頂級會議 Best Paper 的研究工作 。 這是一次真正意義上的 community-level 認可：不僅是對某一個模型、某一項指標的認可 ， 更是對具身智能作為通用智能核心范式之一的肯定 。
論文標題：ReconVLA: Reconstructive Vision-Language-Action Model as Effective Robot Perceiver 論文地址：https://arxiv.org/abs/2508.10333 論文代碼：https://github.com/Chowzy069/Reconvla
VLA 模型關鍵瓶頸：機器人真「看準」了嗎？
近年來 ， Vision-Language-Action（VLA）模型在多任務學習與長時序操作中取得了顯著進展 。 然而 ， 我們在大量實驗中發(fā)現(xiàn) ， 一個基礎但被長期忽視的問題嚴重制約了其性能上限：視覺注意力難以穩(wěn)定、精準地聚焦于任務相關目標 。
以指令「將藍色積木放到粉色積木上」為例 ， 模型需要在復雜背景中持續(xù)鎖定「藍色積木」和「粉色積木」 。 但現(xiàn)實中 ， 許多 VLA 模型的視覺注意力呈現(xiàn)為近似均勻分布 ， 不同于人類行為專注于目標物體 ， VLA 模型容易被無關物體或背景干擾 ， 從而導致抓取或放置失敗 。
已有工作主要通過以下方式嘗試緩解這一問題：
顯式裁剪或檢測目標區(qū)域（Explicit Grounding） 預測目標邊界框作為中間輸出（COT Grounding）
然而 ， 這些方法并未從根本上改變模型自身的視覺表征與注意力分配機制 ， 提升效果有限 。
ReconVLA：重建式隱式視覺定位的新范式
為解決上述瓶頸 ， 我們提出 ReconVLA ， 一種重建式（Reconstructive）Vision-Language-Action 模型 。 其核心思想是：
不要求模型顯式輸出「看哪里」 ， 而是通過「能否重建目標區(qū)域」 ， 來約束模型必須學會精準關注關鍵物體 。
在 ReconVLA 中 ， 動作預測不再是唯一目標 。 在生成動作表征的同時 ， 模型還需要完成一項輔助任務：
重建當前時刻所「凝視」的目標區(qū)域 ----- 我們稱之為 Gaze Region 。
這一重建過程由輕量級擴散變換器（Diffusion Transformer）完成 ， 并在潛在空間中進行高保真復原 。 由于要最小化重建誤差 ， 模型被迫在其內(nèi)部視覺表示中編碼關于目標物體的精細語義與結(jié)構(gòu)信息 ， 從而在注意力層面實現(xiàn)隱式而穩(wěn)定的對齊 。
這一機制更接近人類的視覺凝視行為 ， 而非依賴外部檢測器或符號化坐標監(jiān)督 。
【ReconVLA：具身智能研究首次獲得AI頂級會議最佳論文獎】方法概覽
ReconVLA 的整體框架由兩個協(xié)同分支組成：
1. 動作預測分支： 模型以多視角圖像、自然語言指令與機器人本體狀態(tài)為輸入 ， 生成動作 token ， 直接驅(qū)動機器人執(zhí)行操作 。
2. 視覺重建分支： 利用凍結(jié)的視覺 tokenizer ， 將指令關注的目標區(qū)域（Gaze region）編碼為高保真潛在 token 。 主干網(wǎng)絡額外輸出同維度的重建 token ， 并以此作為條件 ， 引導擴散去噪過程逐步復原目標區(qū)域的視覺表示 。
重建損失在像素與潛在空間層面為模型提供了隱式監(jiān)督 ， 使視覺表征與動作決策在訓練過程中緊密耦合 。
大規(guī)模重建預訓練
為賦予 ReconVLA 穩(wěn)定的視覺重建與泛化能力 ， 我們構(gòu)建了一個大規(guī)模機器人預訓練數(shù)據(jù)集：
數(shù)據(jù)規(guī)模：超過 10 萬條交互軌跡 ， 約 200 萬張圖像 。 數(shù)據(jù)來源：BridgeData V2、LIBERO、CALVIN 等開源機器人數(shù)據(jù)集 。 自動化標注：利用微調(diào)后的 Grounding DINO 或 Yolo 等方式 ， 從原始圖像中自動生成指令對應的目標物體區(qū)域（Gaze region） ， 用于重建監(jiān)督 。
該預訓練過程不依賴動作標簽 ， 卻顯著提升了模型在視覺重建、隱式 Grounding 以及跨場景泛化方面的能力 ， 并為未來擴展至互聯(lián)網(wǎng)級視頻數(shù)據(jù)奠定了一定基礎 。
實驗結(jié)果
在 CALVIN 仿真基準上 ， ReconVLA 在長時序任務中顯著優(yōu)于現(xiàn)有方法：
ABC→D 泛化任務：平均完成長度達到 3.95 ， 全面領先同期所有對比方法 。 ABCD→D 長程任務：平均完成長度為 4.23 ， 完整任務成功率達 70.5% 。
值得一提的是 ， 在 CALVIN 極具挑戰(zhàn)的長程任務「stack block」上我們的方法成功率達到 79.5% ， 遠高于 Baseline 的 59.3% ， 這說明我們的局部重建作為隱式監(jiān)督的方法可以在復雜長程任務中實現(xiàn)更靈活的運動規(guī)劃 。
在真實機器人實驗中 ， 我們基于 AgileX PiPer 六自由度機械臂 ， 測試了疊碗、放水果、翻杯與清理餐桌等任務 。 ReconVLA 在所有任務上均顯著優(yōu)于 OpenVLA 與 PD-VLA ， 并在未見物體條件下仍保持 40% 以上的成功率 ， 展現(xiàn)出強大的視覺泛化能力 。
對比于 Explicit Grounding 和 COT Grounding ， ReconVLA 在 CALVIN 上獲得了遠高于前兩者的成功率 ， 由此可分析出：
僅用精細化的目標區(qū)域作為模型隱式監(jiān)督可以實現(xiàn)更加精確的注意力 ， 更高的任務成功率以及更簡單的模型夾構(gòu) 。
而消融實驗表明：
1. 全圖重建仍然由于僅有動作監(jiān)督的基線 ， 因為全圖重建提升了模型的全局感知和理解能力 。 但由于視覺冗余使得在未知環(huán)境下難以展現(xiàn)更好的效果 。
2. 重建目標區(qū)域（Gaze region）具有顯著效果 ， 這個機制使得模型專注于目標物體 ， 避免被無關背景干擾 。
3. 大規(guī)模預訓練顯著提升了模型在視覺重建 ， 隱式 Grounding 及跨場景泛化的能力 。
總結(jié)
ReconVLA 的核心貢獻并非引入更復雜的結(jié)構(gòu) ， 而是重新審視了一個基礎問題：機器人是否真正理解了它正在注視的世界 。
通過重建式隱式監(jiān)督 ， 我們?yōu)?VLA 模型提供了一種更自然、更高效的視覺對齊機制 ， 使機器人在復雜環(huán)境中做到「看得準、動得穩(wěn)」 。
我們期待這一工作能夠推動具身智能從經(jīng)驗驅(qū)動的系統(tǒng)設計 ， 邁向更加扎實、可擴展的通用智能研究范式 。
推薦閱讀
- 美國即將爆發(fā)人工智能監(jiān)管大戰(zhàn)
- 漢印亮相2026 NRF紐約零售展，展示智能打印全場景解決方案
- 滄田智能發(fā)布龍芯新品及高性能掃描儀，以核心技術加速國產(chǎn)辦公生態(tài)布局
- Anthropic為Claude制定AI智能體行為準則憲法
- 將登央視春晚，今年沖IPO！具身新貴魔法原子聯(lián)創(chuàng)披露一堆新信息
- 屏幕消失之后：OpenAI的智能硬件新賭注
- IBM企業(yè)智能體新平臺助力AI項目規(guī)?；涞?
- 全球智能手機OLED屏出貨量在今年可能下滑 消息稱將降至8.1億塊
- 百川智能免費開放醫(yī)療大模型API，M3 Plus幻覺率降至2.6%
- 它石智航與庫帕思官宣戰(zhàn)略合作，共同破解具身數(shù)據(jù)瓶頸