ICML 2026｜全球首个「信息瓶颈适配器」VLA鲁棒性架构开源，星尘智能StableVLA让机器人再不怕「眼花」

引言

近日，星尘智能、北大和清华等联合研发的StableVLA ——全球首个「信息瓶颈适配器」VLA 鲁棒性架构，已入选 AI 顶会 ICML，并正式开源。

ICML（International Conference on Machine Learning）是机器学习领域最具影响力的顶级学术会议之一，也是中国计算机学会（CCF）推荐的 A 类国际学术会议。第 43 届 ICML 将于 2026 年 7 月 6 至 11 日在韩国首尔举行，此次会议主题 “Machine Learning for the Real World”，强调机器学习在真实场景中的落地，正与这项研究契合。

在具身智能领域，大家已经习惯用 LIBERO、CALVIN 这样的基准来评价 VLA（视觉-语言-动作）模型的实力。但现实世界中的机器人不可避免会遇到模糊、反光、油污和遮挡等训练数据中未曾出现的视觉干扰。研究发现，即使是当前最先进的 VLA 模型，在这些场景下性能也会显著下降。

为解决这一问题，研究团队提出基于信息论的轻量化双流模块IB-Adapter，兼顾空间细节保留和频谱噪声抑制，让机器人聚焦于真正重要的目标信息，在各种合成视觉干扰条件下实现了平均35.2% 的性能提升。

图1：StableVLA 在真实机器人视觉干扰场景中的部署效果。

更重要的是，研究发现鲁棒性的提升并不完全依赖于更大的模型和更多的数据。即使在仅使用 5 亿参数模型、且未采用 Open X-Embodiment 预训练数据的条件下，StableVLA 依然实现了与 70 亿参数 SOTA VLA 接近的鲁棒性，并在模拟和真实视觉干扰环境下超越 OpenPi，说明合理的架构设计能有效弥补规模扩张带来的部分优势。

在 LIBERO、CALVIN 及真实机器人测试（Real-Robot Evaluations）等多个基准测试平台的大规模实验表明，StableVLA 在保持显著更小模型规模的同时，能持续稳定优于 VLA-Adapter、OpenVLA、OpenVLA-OFT 和 π（Pi）等强基线模型。

作为一种轻量、高效且具有广泛适配潜力的模块，IB-Adapter 为 VLA 投影器设计提供了新的思路，也为构建更可靠、更具泛化能力的下一代具身智能系统提供了有价值的架构范式。

图2：StableVLA 鲁棒性概述。左侧为 LIBERO 基准测试中的鲁棒性比较，右侧为视觉损坏情况下的真实机器人部署表现。

论文标题：StableVLA: Towards Robust Vision-Language-Action Models without Extra Data

收录会议：ICML 2026

论文链接：https://arxiv.org/abs/2605.18287

Github 链接：https://github.com/DAGroup-PKU/HumanNet/tree/main/src/model/StableVLA

作者：Yiyang Fu, Chubin Zhang, Shukai Gong, Yufan Deng, Kaiwei Sun, Qiyang Min, Qibin Hou, Yansong Tang, Jianan Wang, Daquan Zhou

作者单位：星尘智能、北京大学、清华大学等

1. 机器人为什么会“看花眼”？

如果给机器人戴上一副沾满油污的眼镜，它还能正常工作吗？

对于人类来说，这似乎不是一个困难的问题。当镜头有些模糊、光线变暗，或者桌面出现反光时，我们依然能认出杯子、篮球和玩偶的位置。

但对于今天最先进的机器人 AI 模型而言，答案并没有那么乐观。

星尘智能与北京大学、清华大学等最新联合研究发现，即便是当前最先进的 Vision-Language-Action（VLA，视觉-语言-动作）模型，一旦遭遇训练过程中从未见过的视觉干扰，其性能往往会大幅下降。而更令人意外的是，问题可能并不出在机器人的“大脑”。

近年来，VLA 模型逐渐成为具身智能领域最重要的技术路线之一。简单来说，这类模型的工作方式类似于：看见（Vision）→ 理解（Language）→ 行动（Action）。机器人通过摄像头观察环境，通过大模型理解任务，再输出具体动作。然而现实世界远比训练数据复杂。

真实世界中，机器人可能遇到摄像头模糊、镜头油污、光照变化、反光、遮挡、数字噪声等情况，且理论上，没有任何训练集能够覆盖所有可能情况。

机器人真正的考场，不是在实验室，而是在充满干扰的现实世界。研究团队提出了一个关键问题：当机器人遭遇从未见过的视觉干扰时，究竟是哪里出了问题？

2. 关键发现：脆弱的不是模型，而是中间“翻译官”

通过系统分析多个 SOTA（State-of-the-Art）VLA 模型后，研究人员发现：视觉编码器（Vision Encoder）并非主要问题，大语言模型（LLM）也并非主要问题。真正的薄弱环节，是连接两者之间的一个模块：Projector（投影器）。

如果把机器人系统比作一个跨国团队，Vision Encoder 负责说“图像语言”，LLM 负责说“语言模型语言”，Projector 则是中间的翻译官。

问题在于，当前主流 Projector 大多采用 MLP 结构，而这种结构几乎像一个“全通滤波器”。它不会区分哪些是目标物体信息，哪些只是镜头污渍、反光或噪声，于是所有信息都会被一股脑送入决策系统。

研究团队认为，这正是 VLA 模型在真实环境下鲁棒性不足的重要根源。

3. IB-Adapter：给机器人加一层“智能降噪器”

为了解决这一问题，研究团队提出Information Bottleneck Adapter（IB-Adapter），即“信息瓶颈适配器”。它的核心思想来自信息论中的经典理论：信息不是越多越好，关键是保留最有价值的信息。

图3：IB-Adapter 和 StableVLA 架构。

IB-Adapter 通过“关联分析 + 智能门控 + 特征重构”三重机制，在视觉信息进入决策系统前分析不同特征之间的关联，区分真实信息和噪声；借助 Sigmoid 门控，给每个特征通道安装独立开关，保留重要信息，给噪声降权甚至屏蔽；最后对视觉特征进行非线性变换后重建，增强信息表达力。

在传统 VLA 中，摄像头捕获的所有内容都会被送往后续网络。而 IB-Adapter 会先进行一次筛选：保留物体轮廓、空间结构、操作相关的有用特征，同时压制噪点、模糊、反光、随机干扰等用不上的噪声。

换句话说，它相当于给机器人增加了一层“视觉降噪系统”。在机器人做决策之前，先过滤掉可能误导它的信息。

4. 为什么它能识别噪声？

有趣的技术洞察是，传统视觉模型通常关注图像的空间位置（Spatial Attention），也就是“哪里重要”；而 IB-Adapter 关注的是特征通道（Channel Dimension），也就是“哪些特征重要”。

研究团队发现，不同通道中存储的信息并不相同。有些通道主要记录与任务语义强相关的物体边缘、几何结构、形状特征；另一些通道则更多对应噪声、模糊、随机扰动，相关性更弱。

因此，IB-Adapter 可以为每个通道设置独立门控（Sigmoid Gate）：重要通道保持开启，噪声通道自动关闭，最终让机器人看到一个更加“干净”的世界。

在一些需要长时间序列保持空间精度的长程任务中，只靠 IB-Adapter 可能会让动作轨迹变得不够精准。StableVLA 给出了务实解法：双路并行，解耦融合。

比如对需要极高空间精度的拾取和放置任务，系统会近乎完整保留 MLP 通路，IB-Adapter 仅作为鲁棒性残差补充进来。对于需要长期语义规划的目标识别类任务，系统则会适度增加 Dropout，迫使策略网络更依赖鲁棒特征路径。这种特定任务驱动的动态平衡，让 StableVLA 在不同操作场景中始终能找到最好的鲁棒性切面。

5. SOTA 对比：不加数据，也能显著提升鲁棒性

效果有多明显？答案是：远超预期。

在不增加额外训练数据、不引入额外数据增强、不重新构建训练流程的情况下，IB-Adapter 平均带来约 30% 的性能提升。

在 LIBERO 的四个标准任务套件上，StableVLA 在多数子任务中取得最优或次优成功率。对比与自身结构类似的 VLA-Adapter，在严重腐蚀程度 5 的设置下，StableVLA 的性能提升幅度从 40.2% 一路飙升到 139.6%。而在 CALVIN 基准上的平均完成任务数，也全面领先。这不是小数点后几位的胶着战，而是直接甩开了断层式差距。

图4：LIBERO 和 CALVIN 基准对比。

更重要的是，整个模块新增参数不足 1000 万。对于动辄数十亿参数的大模型而言，几乎可以忽略不计。

图5：在损毁严重性最高的 Level-5 压力测试下，StableVLA 保持稳健，OpenVLA 等基线模型性能则显著下降。

6. 5 亿参数，挑战 70 亿参数模型

论文中最引人注目的结果之一是：搭载 IB-Adapter 的 StableVLA，即便仅使用 0.5B（5 亿）参数模型，仍然能够达到接近 7B（70 亿）参数级 VLA 模型的鲁棒性表现。两者规模相差 14 倍。

这意味着，过去行业解决鲁棒性问题的方法往往是：模型不够强？那就做得更大。

而这项工作给出了另一种答案：与其让机器人更聪明，不如先让机器人少被噪声欺骗。

7. 真实机器人验证：离开实验室后依然有效

为了验证方法是否真正有效，研究团队在 Astribot S1 平台上进行了真实世界测试。

测试任务包括抓取与放置（Pick & Place）、迷你投篮（Throw Basketball）、倒水（Pour Water）、玩偶装箱（Pack the Doll）等。同时，研究团队人为制造图像噪声、模糊、镜头油污、物体遮挡等视觉干扰。

结果显示，在严重视觉干扰下，StableVLA 依然能够保持较高操作成功率，而多个现有方案则出现明显退化。

图6：StableVLA 在模拟与真实视觉干扰环境下均保持更高鲁棒性。

从学术角度看，这是一项关于 VLA 鲁棒性的研究。但从产业角度看，它回答的是一个更现实的问题：机器人如何离开实验室，进入真实世界。

现实中的工厂、商场、家庭和餐厅，永远不会拥有完美的光照、干净的镜头、标准化的场景。未来机器人能否大规模部署，很大程度上取决于：当环境开始变脏、变乱、变复杂时，它是否依然能够完成任务。

而这项工作给出的答案是：机器人未必需要更大的模型，但一定需要更稳定的视觉理解能力。这或许也是具身智能从“能工作”迈向“可靠工作”的关键一步。

关于星尘智能

星尘智能（Astribot）成立于 2022 年，是一家以 AI 为核心的具身智能引领企业，也是全球首家实现绳驱人形 AI 机器人量产的企业。在 AI 方面，公司自研 Lumo 基座模型与 DuoCore 商业化部署框架，通过快慢系统协同，兼顾复杂任务理解与实时动作控制；在本体方面，其模仿人类肌腱运动机制的绳驱本体，使机器人兼具高灵巧操作能力、高拟人表现力与更高的人机交互安全性。基于「Design for AI」核心理念，公司构建了「AI 模型—具身 OS—绳驱本体」三位一体的全栈自研体系，并已在科研、商业服务、文娱演出和工业等多个领域实现规模化落地。