在人工智能与机器人技术迅猛发展的今天，如何让机器人更高效、更智能地理解环境、执行任务，成为了学术界与工业界共同关注的焦点。传统的视觉-语言-行动（Vision-Language-Action, VLA）模型虽然在机器人操作领域展现了强大的潜力，但往往依赖大规模预训练模型和高昂的计算成本，这无疑为实际应用设置了高门槛。

近日，由西湖大学、北京邮电大学、浙江大学和香港科技大学（广州）等顶尖机构联合研发的VLA-Adapter模型，以其5亿参数量的轻量化的设计和卓越的性能，为机器人领域的VLA模型带来了革命性的突破。这款模型不仅在性能上媲美甚至超越现有顶尖方案，还大幅降低了训练和部署的门槛，堪称机器人智能领域的里程碑式创新。

本文将带您深入了解VLA-Adapter的独特魅力，从其核心创新到实验成果，再到实际应用的潜力，为您揭开这一前沿技术如何为机器人赋予更高效的感知与行动能力。

先搞懂现有衔接视觉语言和动作的范式

在VLA模型的发展历程中，如何有效桥接视觉-语言（VL）感知空间到行动（A）空间一直是核心挑战。早期研究尝试通过直接对齐感知与行动空间来实现这一目标，例如将行动离散化为令牌进行对齐，但这种方法不可避免地引入了内在损失，导致行动表示不够精确。随着技术进步，研究者们转向连续行动空间，并根据用于桥接的感知特征类型，将现有范式大致分为两大类：基于VLM原始特征的桥接和基于额外查询作为接口的桥接。

图1：现有从视觉语言到行动的代表性桥梁范式示意图，展示了原始特征和额外查询接口的典型方法。

首先，基于VLM原始特征的桥接范式直接从视觉-语言模型中提取视觉和语言表征，作为行动生成的条件。早期方法倾向于使用VLM的最终层特征，认为这些层编码了最相关的语义信息，从而有助于任务执行。然而，后续研究发现，中间层特征往往保留了更丰富的多模态细节，对需要精细感知或复杂推理的任务更有益。例如，一些工作利用VLM的中间层特征，如中间单层、浅层一半或所有中间层特征，来增强策略网络的行动生成能力。这种范式的优势在于其简单性和直接性，但也面临特征提取的层级选择问题，以及在高维环境中可能的信息丢失。

其次，引入额外查询作为接口的范式则代表了更先进的桥接方式。这种方法不再依赖原始特征，而是使用可学习的查询作为VL与行动空间之间的桥梁。这些查询能够动态融入多模态信息，并在训练过程中优化，从而在性能上超越传统原始特征方法。双系统 VLA（dual-system VLA）架构的相关工作（Shentu et al., 2024; Bu et al., 2024a; Cui et al., 2025）显示，这种接口设计能够更好地捕捉任务相关性，并通过异步机制缓解行动生成中的延迟问题。总体而言，这些现有范式为VLA模型的设计提供了基础，但仍存在对大规模VLM的依赖和效率瓶颈等问题，这也正是VLA-Adapter试图解决的核心痛点。

创新核心：轻量化与高效性的完美结合

VLA-Adapter的核心目标是解决传统VLA模型在高维控制环境中的两大瓶颈：对大规模视觉-语言模型（VLM）的依赖和高计算成本。研究团队通过系统性地分析视觉-语言（VL）表征到行动（A）空间的桥梁机制，提出了一种全新的桥接范式——VLA-Adapter。这种范式通过轻量化的策略，成功将多模态信息高效传递到行动空间，显著降低了模型规模和训练成本。

传统VLA模型通常需要依赖大规模的机器人数据集（如Open X-Embodiment和DROID）进行预训练，以确保模型能够适应多样化的任务环境。然而，这种方法不仅需要耗费大量计算资源，还会导致训练时间长、推理速度慢、GPU内存占用高等问题。VLA-Adapter则另辟蹊径，通过一个仅0.5亿参数的骨干网络（在 Qwen2.5-0.5B 上训练的 Prismatic VLM^[1]），无需机器人数据预训练，即可实现与70亿参数模型相媲美的性能。这种轻量化设计不仅降低了硬件需求，还将训练时间缩短至仅8小时，使用单张消费级GPU即可完成，极大地降低了VLA模型的部署门槛。

关键技术：桥接注意力机制

VLA-Adapter的成功离不开其创新的桥接注意力（Bridge Attention）机制。研究团队深入探讨了视觉-语言表征对行动生成的影响，并提出了几个关键发现：

• 中层特征更优：相比于VLM的深层特征，中层特征能够更好地整合图像和文本信息，保留更丰富的多模态细节，从而在行动生成中表现更佳。
• 动作查询的深层优势：通过引入可学习的动作查询（ActionQuery），深层特征能够更有效地促进行动生成，相较于浅层特征具有更强的聚合能力。
• 全层特征的普适性：使用全层特征不仅提升了性能，还避免了选择最优特征层的繁琐过程，使模型设计更具通用性。

基于这些发现，VLA-Adapter设计了一个轻量级的策略网络（Policy Network），通过桥接注意力模块将视觉-语言表征与动作空间高效连接。桥接注意力模块包含两次交叉注意力和一次自注意力，通过可学习的参数动态调节特征注入比例，确保训练的稳定性和性能的优化。这一机制使得VLA-Adapter能够在极小的模型规模下，依然实现高效的动作生成。

图2：VLA-Adapter框架示意图。关键组成部分是有效的条件探索和注意力设计。“注意力” 具体包括与条件相关的交叉注意力以及自身的自注意力。右图给出了关于 “层” 和 “类型” 的四个条件。

训练效率：单GPU，8小时完成

VLA-Adapter的另一个亮点是其高效的训练流程。研究团队采用端到端的训练方式，仅对策略网络和动作查询（ActionQuery）进行从头训练，而无需对骨干VLM进行微调。这种设计不仅降低了计算需求，还显著缩短了训练时间。实验显示，VLA-Adapter在单张NVIDIA H100 GPU上仅需8小时即可完成训练，相比传统VLA模型动辄数天甚至数周的训练时间，这无疑是一大突破。此外，模型的推理速度也令人印象深刻，其吞吐量高达219.2Hz，延迟仅为0.0365秒，远超现有模型，为实时机器人应用提供了坚实的基础。

实验验证：性能与效率的双赢

为了全面验证VLA-Adapter的性能，研究团队在多个机器人任务基准上进行了广泛的实验，包括模拟环境和现实世界的测试。这些实验不仅展示了VLA-Adapter的卓越性能，还凸显了其在轻量化设计下的高效性和泛化能力。

模拟环境：LIBERO与CALVIN的优异表现

在LIBERO基准测试中，VLA-Adapter在Spatial、Object、Goal和Long四个任务套件上均表现出色，平均成功率达到97.3%，超越了包括OpenVLA-OFT（70亿参数）和SmolVLA（22亿参数）在内的多个基线模型。尤其在长时程任务（LIBERO-Long）中，VLA-Adapter以95.0%的成功率，领先同等规模的VLA-OS模型29.0%，展现了其在复杂任务上的强大能力。

图3：LIBERO 基准测试的对比。粗体表示最佳性能。斜体 * 表示次优性能。†代表非基于视觉语言模型（VLM）的基线。“Scratch” 指未在机器人数据上进行预训练的工作。“Params” 指主干网络规模，其单位为 “十亿”。

研究团队还使用了 CALVIN ABC→D（Mees 等人，2022）来评估在零样本泛化任务上的性能。CALVIN 包含四个环境（环境 A、B、C 和 D）。“ABC→D” 意味着在环境 A、B 和 C 上进行训练，在环境 D 上进行评估。VLA 需要依次执行 1000 个预设的任务序列。每个任务行包含五个子任务。模型只有完成当前子任务后才能进入下一个子任务。

在CALVIN ABC→D 零样本泛化任务中，VLA-Adapter同样表现出色，平均任务完成长度达到4.42，超越了包括UniVLA和OpenHelix在内的多个大型模型。这一结果表明，VLA-Adapter在未见环境下的泛化能力极强，能够灵活应对多样化的任务需求。

图4：在 CALVIN ABC→D 基准上的比较。粗体表示最佳性能。斜体 * 表示次优性能。†代表非基于视觉语言模型（VLM）的方法。

现实世界：多样化任务的稳健表现

在现实世界的机器人任务中，VLA-Adapter使用6自由度的Synria Alicia-D机器人，配备Logitech C920e和RealSense D405相机，完成了包括简单拾取放置、块体侧向移动、块体堆叠以及复杂长时程任务等多种实验。测试中，研究团队通过随机化对象位置增加了任务难度，以评估模型的泛化能力。结果显示，VLA-Adapter在各类任务中均表现出优异的成功率，超越了ACT和OFT-style基线，展现了其在实际应用中的强大潜力。

图5：VLA-Adapter在现实世界任务中的执行示例，展示了其在复杂任务中的高效性和稳定性。

消融实验：关键组件的优化

为了进一步验证VLA-Adapter的设计合理性，研究团队进行了消融实验，探索了动作查询数量、条件类型和特征注入比例等关键组件的影响。实验结果表明，64个动作查询能够平衡性能与效率，而全层特征的结合显著提升了模型的鲁棒性。这些发现为VLA-Adapter的优化设计提供了坚实的理论依据。

实际应用潜力：降低门槛，赋能未来

VLA-Adapter的轻量化设计和高效率使其在实际应用中具有巨大的潜力。无论是工业自动化、智能家居，还是医疗辅助机器人，VLA-Adapter都能以更低的硬件成本和更快的部署速度，为各种场景提供高效的机器人解决方案。其无需大规模预训练的特点，也让中小型研究机构和企业能够更轻松地开发和部署VLA模型，极大地推动了机器人技术的普及和应用。

此外，VLA-Adapter的高推理速度和低延迟使其特别适合需要实时响应的场景，例如自动驾驶、物流机器人和交互式服务机器人。研究团队还提供了开源项目页面（https://vla-adapter.github.io/ ），方便开发者获取模型详情和代码，进一步促进了技术的共享与创新。

结论：机器人智能的未来之路

由西湖大学等机构联合研发的VLA-Adapter，以其创新的桥接范式和轻量化设计，为VLA模型的发展开辟了新路径。它不仅在性能上媲美甚至超越了大规模模型，还通过高效的训练和推理流程，显著降低了机器人智能技术的应用门槛。无论是模拟环境中的复杂任务，还是现实世界中的多样化挑战，VLA-Adapter都展现了其卓越的适应性和稳定性。

未来，随着VLA-Adapter的进一步优化和应用，我们有理由相信，机器人将变得更加智能、灵活和普及，为人类生活带来更多便利。这项由西湖大学、北京邮电大学、浙江大学和香港科技大学（广州）联合推出的技术，不仅是学术界的突破，更是机器人产业迈向实用化的重要一步。

图6：冻结骨干时VLA-Adapter与OpenVLA-OFT的执行示例，展示了VLA-Adapter在无需预训练时的优异性能。