新智慧报告编辑：LRST 【新智慧介绍】具身智能的“chatgpt时刻”尚未到来，但机器人的“幻觉”已先行？在需要数十个步骤的长序列任务中，现有的 VLA 模型经常“假装工作”并错误地认为任务已经完成。针对这一痛点，北大团队提出了自进化VLA框架evovla。该模型利用Gemini生成“困难负例”进行对比学习，并与几何探索和长期记忆配合，将复杂基准discoverse-L任务的成功率提高了10.2%，并将幻觉率从38.5%显着降低至14.8%。实体人工智能正处于爆发的前夜。从Google的RT-X到开放社区OpenVLA资源，通才机器人规则已经展现了惊人的零样本泛化能力。然而，当我们将注意力从简单的“抓取和放置”转向长远视野时对于需要数十步的操作任务，现有的 VLA 模型显示出一个令人尴尬的致命弱点：它们学会“作弊”。在长序列任务中，VLA 模型经常会遇到一种称为“护理阶段”的现象。简而言之，机器人认为它已经完成，尽管它显然没有完成。 ” 例如，在搭建积木桥时，只要机器人手臂靠近目标，即使是滑块，也没有对齐，或者根本没有夹紧，基于视觉语言模型（VLM）的评估系统往往会因为视觉相似性而给出很高的预测分数（“看起来像是在跑”）。“高分但能量低”的现象导致机器人自信地跳过当前步骤，进入下一阶段，最终导致整个任务崩溃。只写了一个“解释：”二字，就认为自己已经完成了整个大题。针对这个痛点，来自北京大学的研究团队（第一作者）或：刘泽廷、杨子达，导师：唐浩、张泽宇）提出了一种新的有监督VLA框架Evovla。论文链接：https://arxiv.org/abs/2511.16166v1 项目主页：https://aigeeksgroup.github.io/evovla 代码库：https://github.com/aigeeksgroup/evovla evovla 不仅在仿真中表现出色，而且更成功地违反了 pSim2real 会调解，平均成功率为 54.6%，超越 OpenVLA-Oft。 11.0 个百分点。 Evovla框架概述及核心任务演示（Block Bridge、Stack、Cup Stacking） 该项目由北大资助，北京大学唐浩课题组完成，第一作者为刘泽廷、杨子达、张泽宇。 Evovla：AI教会AI让模型在“内省”中进化。为了解决机器人的“白日梦”，EVOVLA引入了三个主要模块，它们基于OpenVLA-Oft架构协同工作，实现封闭式自供电学习环路（SSRL）。舞台对齐奖励（SAR）：这位老师《错题集》是Evovla解决幻觉问题的王牌。传统的奖励函数往往是稀疏的（只有成功/失败），或者像素变化幼稚（容易受到背景干扰）。 Evovla 创造性地通过数据引擎设计，利用强大的 Gemini 2.5 Pro 对演示视频进行语义理解和分段，生成包含 70 多集的详细描述。更神奇的是，为了防止模型“走捷径”，团队引入了三元组比较研究，即“硬负样本”的构建。正样本（positive），对任务完成情况的准确描述（如“夹子闭合，块被紧紧夹住”）。负样本（阴性），明确失效​​状态。硬负面：这是关键！描述“几乎成功”的状态（例如，“夹具靠近目标但没有接触”，或“抓住了错误的物体”）。 EVOVLA 数据引擎展示了 Gem 如何ini 生成文本的正面、负面和强烈负面描述。就这样，双子座变成了“严厉的老师”，专门为VLA模型制造了如此令人困惑的“陷阱题”。该模型被迫学习区分“真正完成”和“似乎完成”，从而获得密集的、语义一致的内在奖励信号。基于姿势的对象探索 (POE)：告别像素干扰。机器人不仅能判断错误，而且具有探索未知的好奇心。对内在好奇心的传统奖励通常基于像素预测误差 - 即“如果我看到的与我预测的不同，我会很高兴”。然而，在复杂的机器人场景中，阴影的移动、光照的变化甚至背景噪声都会带来错误的预测错误，导致机器人像好奇的幼儿一样探索无意义的视觉噪声。 Evovla提出POE（基于姿势的物体探索）并训练了一个没有更长地预测图像像素，但预测相对的几何姿势（夹具对象姿势）。这意味着机器人的好奇心任务是探索“如何改变物体和抓手的相对位置”（比如如何旋转、如何接近），而不是“改变图像的像素多少”。这使得探索过程非常高效，专注于操纵任务本身的几何形状。长视界记忆机制）面对几十个操作步骤，机器人可以轻松“吃了芝麻，丢了西瓜”。简单的平均或截断历史信息可能会导致遗忘。 EVOVLA不仅压缩历史，而且使用基于注意力的上下文选择机制（context Selection）。它从历史数据库中检索最高的 Kost 相关代币，并通过门控机制将它们与当前状态和奖励集成。就像当人们执行复杂任务时，他们只记得主要步骤对于当前的决策很有用（例如“我得到了 A 部分”），而不是详细重播整个生活视频。 Discover-l：长期运营的新基准。为了证明长期能力，团队不满足于简单的现有任务，而是提出了Discoverse-L基准测试，其中包含三个不断增加的任务： 1. Stack（堆叠）：18个阶段，不仅是高度堆叠，还要精确对齐。 2.枣杯：19个关卡，涉及多物体交互。 3. 堵桥：74个阶段！必须安装两个桥墩并填充中间的桥墩，这严重考验了长期规划和稳定性。实验结果：在模拟环境和真机上都进行了SOTA级别的提升实验，结果令人兴奋。模拟碾压了discoverse-L基准测试，Evovla击败了许多强大的基准测试，包括Octo和OpenVLA。成功率：平均达到69.2%（比59.0%高出10.2个百分点）最强的基准测试 openVLA-Oft）。示例效率：达到 50% 成功率所需的训练步骤数减少了 1.5 倍。消除幻觉：生存率（HR）从38.5%显着降低至14.8%。与 OpenVLA 等基线相比，EVOVLA 在三项任务中的成功率有所提高。 Sim2real 真机泛化对airbot-play 机器人的扩展更令人印象深刻。 EVOVLA展示了Sim2real很强的泛化能力。尤其是在前所未有的“堆叠与插入”任务中，通过少量的实机微调，EVOVLA取得了55.2%的成功率，比OpenVLA-Oft高出13.4%，甚至比最新架构高出16.9%。机器人实际运行块桥或堆栈过程的定性分析表明，基线模型通常在与块接触之前先打开其抓手（导致幻觉），而 Evovla 可以准确地等到接触gna操作前，它的动作非常稳定，仿佛它“听懂”了工作。结论 EVOVLA 的出现为长期任务中的 VLA 模型可靠性问题提供了一个优雅的解决方案。这证明：更好的奖励设计（SAR）+更重要的探索机制（pOe）+更智能的记忆（memory）可以让大型模型进一步深入体现智能领域。使用大型语言模型（Gemini）生成“错误问题集”来逆转策略学习的“自我进化”范式可能是通用机器人迈向自主学习的重要一步。作者信息 刘泽廷是青岛大学自动化学院控制工程专业硕士研究生，师从新加坡工程院院士葛树智院士。研究方向集中在体现智能、RL4VLA 和 VLA 设备模型。参与多项科研项目，并重点研究开发通用机器人操作的基本模型。杨子达，北京大学光华管理学院管理科学与信息系统系博士研究生，致力于推进“可解释的跨模态与具身智能”的前沿研究。研究方向聚焦于具身智能、RL4VLA、3D导航、结构化推理和VLA模型的多模态认知计算，重点开发兼具高水平语义理解和低水平控制能力的通用智能体框架。研究成果应用于真实的四足机器人和多模态情感分析系统。我们期待与同行一起探索下一代智能代理的认知架构和工程技能。张泽宇是一名本科生研究员，师从 Richard Hartley 教授和 Ian Reid 教授。他的研究兴趣植根于计算机视觉领域，专注于探索几何生成建模和尖端基础模型之间的潜在联系。张泽宇在多个研究领域拥有丰富的经验，积极探索人工智能基础和应用领域的前沿发展。唐浩，现任北京大学计算机学院助理教授/研究员、博士生导师、文科、无名青年学者，入选国家留学人员海外高层次人才计划。获得国家优秀自费留学生奖学金，连续三年入选斯坦福大学全球前2%科学家。曾在美国卡内基梅隆大学、苏黎世联邦理工学院、英国牛津大学、意大利特伦托大学工作和学习。长期从事人工智能领域研究智慧。在国际领先期刊和会议上发表论文100余篇，相关成果被引用超过12000次。曾获得ACM多媒体最佳论文提名奖，现任ICLR 2026、ACL 2025、EMNLP 2025、ACM MM 2025的Field Chair以及多个人工智能会议和期刊的审稿人。更多信息参见个人主页：https://ha0tang.github.io/references： [1] Liu Z，Yang Z，Zhang Z，et al. Evovla：模型新兴视觉-语言视觉[j]。 arxiv 预印本 arxiv：2511.16166，2025。 [2] Kim, M. J. 等人。 “Openvla：开源视觉-语言-动作模型”。 Corl，2025秒关注ASI⭐点赞、转发、一键观看⭐点亮星星，锁定新智元快推！ 特别声明：以上内容（如有则包括照片或视频）由自媒体平台“网易号”用户上传发布。本平台仅提供信息存储服务塞斯。 注：以上内容（包括图片和视频，如有）由网易HAO用户上传发布，网易HAO为社交媒体平台，仅提供信息存储服务。