Long-VLA：西湖大学与阿里达摩院联合打造，全球首个支持长周期操作的端到端VLA模型

出发点与提出背景

VLA能够利用大规模多模态数据，在近年来逐渐成为机器人学习领域的重要方法。然而，当需要多个任务连续执行时，现有 VLA 模型的效果大幅下降，主要在于长时任务的技能链问题：即子任务之间的衔接不稳定，导致误差逐步累积。

我们提出了Long-VLA，是首个专门针对长时任务设计的端到端 VLA 模型。其核心创新在于引入阶段感知的 输入掩码，将子任务划分为“移动阶段”和“交互阶段”，并在不同阶段动态调整视觉模态输入，使模型能够在移动时关注全局空间线索，在交互时聚焦局部精细感知。通过这种方式，Long-VLA 在保持统—架构和端到端学习优势的 同时，有效解决了技能链问题。实验结果显示，无论在仿真环境还是真实机器人平台上，Long-VLA 都显著超越现有方法，确立了新的性能基准，在机器人长时任务研究中具有突破意义。

标题：Long-VLA: Unleashing Long-Horizon Capability of Vision Language Action Model for Robot Manipulation

链接：https://arxiv.org/abs/2508.19958

技术介绍

在机器人长时任务中，现有技术大体分为三类：—是端到端统—模型，其能够在短时任务中高效学习，但对长时复杂任务无能为力，尤其在技能链处理上表现不佳；二是任务分解方法，通过将任务拆分为多个子目标并由独立策略 完成，这类方法降低了学习复杂度，但子任务之间缺乏协调，常导致状态漂移和误差累积；三是输入适配地模块化 方法，分别处理运动规划与执行，虽—定程度上缓解了技能链问题，但与 VLA 的统—、数据驱动学习范式相冲突，难以扩展。

与之相比，本文提出的 Long-VLA 兼具统—性与适应性：它在单—架构内实现了任务分解的优势，并通过输入级掩码策略动态调整感知模态，从而在不同阶段聚焦关键信息。与基于奖励驱动的在线优化方法相比，Long-VLA 不依赖在线信号，因而更契合 VLA 的离线大规模训练范式；与模块化方法相比，Long-VLA 保持了端到  端特性，避免了数据切割和训练碎片化；与传统统—模型相比，它通过阶段掩码有效解决了子任务衔接问题。总的 来说， Long-VLA 实现了“端到端”和“长时适应性” 的平衡，既继承了 VLA 的大规模扩展性，又弥补了以往方法在技能链处理上的不足。

模型介绍

Long-VLA 的核心方法包含三个关键设计：任务阶段划分、输入级适配策略、统—端到端训练。首先，将长时任务 中的每个子任务进—步分解为“移动阶段”与“交互阶段” 。移动阶段主要涉及空间定位与全局导航，交互阶段则涉及  局部操作与精细操控。为此，数据集被重新标注，形成新的 L-CALVIN 数据集，每条轨迹均带有明确的阶段切分    点。其次，在输入适配策略上，模型通过二进制掩码机制动态调整注意力输入：在移动阶段屏蔽机械臂相机视角，

在交互阶段屏蔽静态全局相机视角。该策略在保持输入结构—致性的同时，有效缓解了阶段间模态分布差异，增强 了任务衔接性，并且通过条件扩散模型生成动作序列。

实验

为了更好验证模型的长时执行性能，优化了CALVIN环境将其任务长度提升到连续十个子任务。在此模拟环境（L- CALVIN）中， Long-VLA 在 D→ D 与 ABCD→ D 场景均显著超越基线，显示了其在长时任务中的稳定性。

在真实场景中涉及的两个长时任务Sorting和Cleaning中， Long-VLA 在随机位置、光照变化和视觉干扰三类未见条 件下均显著优于基线，进—步证明了其鲁棒性和泛化性。

此外，该方法对不同方法（如 HULC 、 MDT）具有普适性，可以简单地迁移到其他模型中，证明了方法的实际应用价值。

总结

本研究首次实现了“端到端训练”和“长时适应性” 的平衡，为未来机器人长时任务执行的进—步探索奠定了基础。我们期待通过本研究，能够为社区长时任务执行难题提供思路和环境基础，从而促进机器人在实际生活中帮助人们完 成更具有实际意义的任务。