VLA-Δ：为视觉-语言-动作模型学习物理状态转移

VLA-Δ 提出以当前与未来观测之间的物理变化作为显式学习目标，为连续动作生成提供更直接的监督，且推理时不增加额外开销。作者构建了大规模预训练数据集并推导出覆盖任务相关语义与视觉运动变化的物理状态转移标注，在 LIBERO 和 RoboTwin 上取得与当前最优方法相当的性能，在真机实验中优于 π_{0.5}。