导语
2026 年，视觉-语言-动作（VLA）模型已无争议地成为具身智能的主流架构，但竞争的重心发生了微妙转移：领跑者不再比拼"能不能做"，而是比拼"能不能实时做、能不能便宜地做、能不能换本体不用重训"。ICLR 2026 的 VLA 论文列表里，出现了大量关于 token 剪枝、量化、跨本体软提示、记忆检索与统一扩散的工作——这是一个技术进入工程化阶段的典型信号。当架构红利被摊平，效率与泛化成为新的分水岭，而这恰恰是对数据质量要求最高的阶段。
技术要点
架构层面：大一统已确立，分歧在细节。 主流方案仍是"预训练 VLM + 动作专家"，但 2026 年出现若干重要变体：
- •统一扩散与自回归：ICLR 2026 的 Unified Diffusion VLA 等工作尝试把离散扩散与自回归统一进同一目标，兼顾多模态动作分布建模与推理速度；FASTer 提出可学习动作词元化器与分块解码，提升自回归路线的效率。
- •跨本体泛化：X-VLA 以软提示 Transformer 作为可扩展的跨本体接口，试图用一套权重适配多种机器人；MetaVLA 用统一元协同训练提升适配效率。
- •记忆与检索：MemoryVLA 把"感知—认知"记忆引入 VLA，Scaling up Memory for Robotic Control via Experience Retrieval 则通过经验检索扩展记忆容量，直指长程任务短板。
- •效率工程：SP-VLA 联合进行模型调度与 token 剪枝，AutoQVLA 指出 VLA 量化中"并非所有通道等价"，Action-aware Dynamic Pruning 按动作相关性动态剪枝——这三条共同说明端侧部署已经是明确的工程目标。
评测层面的反思开始出现。 VLM4VLA 系统重新审视了不同 VLM 骨干对 VLA 性能的影响；"Actions as Language"探讨了在不灾难性遗忘的前提下把 VLM 微调为 VLA 的路径。这类"回头看"的工作通常出现在技术范式趋于稳定之后。
工程化落地加速。 小米开源 Xiaomi-robotics-0（arXiv 2026），主打实时执行；NVIDIA 与社区推出 VLA Foundry 作为统一训练框架；π0.7（Physical Intelligence，2026-04）强调可控性与涌现能力，并把世界模型作为子目标图像生成器集成。
关键突破
- •效率不再是附属指标：SP-VLA、AutoQVLA、Action-aware Dynamic Pruning 三项同期工作同时指向"推理预算"，说明业界已公认 VLA 的瓶颈从"效果"转向"延迟 × 效果"。
- •跨本体从愿景变为可训练目标：X-VLA 的软提示方案、MetaVLA 的元协同训练，把"一套权重适配多本体"从口号变成可优化的目标函数。这对数据侧影响深远——跨本体能力越强，异构数据的聚合价值越高。
- •记忆被显式建模：RoboDojo 榜单显示"记忆"是区分头部模型的关键维度（2026-08-25 更新后，登顶模型在记忆维度得分 47.74，第二名仅 13.37），与 ICLR 2026 记忆类论文的大量出现相互印证。
对产业的影响
第一，数据质量的重要性被架构进步放大而非削弱。当模型侧通过剪枝、量化、检索把"有效信息密度"推到极致时，输入数据的信噪比就直接决定了输出质量。多相机的时间同步误差、标定漂移、模糊帧，过去只是"轻微降质"，现在会直接转化为策略失败。
第二，跨本体泛化能力的提升，会提高"多构型数据"的溢价。能够覆盖多种本体、多种任务、含失败与纠正样本的数据集，其边际价值高于单一构型的等量数据。
第三，端侧部署趋势提高了对"数据—模型协同设计"的要求。若客户的目标模型是剪枝量化后的小模型，那么训练数据的分布就应当匹配该模型的容量——数据供应商需要理解客户的部署形态，而不只是交付原始视频。
配图建议
图 1（放置：导语之后）
- •画面描述：VLA 架构演进横轴图，从左到右依次排列四代形态：① VLM + 简单动作头（2023–2024）→ ② VLM + 动作专家/流匹配（2025）→ ③ + 记忆检索与世界模型子目标（2026 上半年）→ ④ + token 剪枝/量化/跨本体软提示（2026 下半年）。每代下方标注代表工作名称与会议。
- •图注：图 1｜VLA 架构的四阶段演进：从"能输出动作"到"实时、跨本体、可部署"。
图 2（放置："技术要点"中效率工程段落后）
- •画面描述：三栏对照的效率优化手段示意。左栏"Token 层"：整张特征图上被点亮的 patch 逐层减少，标注 Pruning / Merging；中栏"参数层"：权重矩阵分块，部分块标为低比特（INT4/INT8），标注 Mixed-precision Quantization；右栏"调度层"：早退出的推理路径示意，标注 Model Scheduling。底部横条对比"优化前延迟"与"优化后延迟"。
- •图注：图 2｜VLA 的三类效率优化路径：token 剪枝、混合精度量化与模型调度（延迟对比为示意值）。
图 3（放置："对产业的影响"第一条之后）
- •画面描述：一条从"数据质量"到"策略成功率"的传导链：同步误差 / 标定漂移 / 运动模糊 → 几何监督信号带噪 → 表征质量下降 → 剪枝量化后信息损失放大 → 策略失败率上升。每个环节用箭头连接，噪声注入环节用红色标注。
- •图注：图 3｜数据质量如何经由模型效率优化被放大：端侧压缩会放大输入噪声的影响。
来源与时间
- •ICLR 2026 VLA 相关论文列表（MemoryVLA、PixelVLA、X-VLA、SP-VLA、AutoQVLA、Unified Diffusion VLA、FASTer、WholeBodyVLA 等）：开源论文汇总仓库 Embodied-AI-Paper-TopConf，更新于 2026-03。
- •π0.7 "a Steerable Model with Emergent Capabilities"：Physical Intelligence，2026-04。
- •Xiaomi-robotics-0、VLA Foundry、Being-H0.5/H0.7、Fast-WAM：arXiv 2026，经 NVIDIA 技术博客《Pretrained to Imagine, Fine-Tuned to Act: The Rise of World-Action Models》整理引用（2026）。
- •RoboDojo 榜单记忆维度 47.74 vs 13.37：RoboDojo 榜单更新，2026-08-25。
标注说明：ICLR 2026 论文以会议接收列表为准，个别论文的最终版本与指标可能与预印本存在差异（待核实）。架构分代方式为本文基于公开时间线的归纳，属推测性整理，非官方划分。