内容摘要
作者提出视觉—语言—动作模型 ERVLA，重新检验具身思维链（CoT）如何帮助机器人操作。研究构建了包含 978,743 条轨迹、226.3M 个样本、2592.5 小时数据的结构化语料。受控实验使用统一骨干与自回归 CoT+FAST 动作接口，发现单独的高层目标、规划等字段不足以改善控制，运动描述和图像空间轨迹更有效；带噪坐标监督还可能造成“CoT 污染”。
ERVLA 以 CoT 监督和推理随机丢弃训练骨干，通过辅助候选动作分支塑造动作相关表征，并截断键值缓存，使扩散动作模块仅读取语义前缀，推理时不必生成显式 CoT。作者报告，在 LIBERO 后训练、零样本迁移至 LIBERO-Plus 的设置下，平均成功率为 86.9%；VLABench 平均成功率为 53.2%。真机评测包含 20 项任务、每项五次试验；语义任务成功率由对照 π0.5 的 31 升至 42，长程任务进度分数由 38 升至 55。
上述结果属于作者论文实验，不应解读为跨协议的通用能力排名。
点评
研究支持将具身 CoT 作为塑造动作相关表征的训练信号，而非强制的推理期文本前缀；其价值取决于监督是否可靠、是否与动作学习有效耦合。
作者承认标注质量仍限制收益，推理随机丢弃与知识截断不能消除这一问题；执行中何时动态刷新推理仍待研究。真机结论应限定于论文所设任务和试验协议。
版本与核查范围
版本 2606.03784v3 · 原文定位与程序检查、独立上下文模型复核；不代表独立研究复现。。依据已核查材料整理；未运行模型或机器人。
原文与定位
- 原文链接 #abstract1.1；#A2.SS7.p3.1；#S3.SS1.p1.1；#A4.SS1.SSS0.Px1.p1.1；#A3.SS7.SSS0.Px4.p1.1；#S3.SS2.p2.1；#A3.SS8.p2.1；#A3.SS6.p2.1；#S1.p9.1；#S3.SS3.SSS0.Px1.p3.1；#A4.SS2.p5.1；#S4.p1.1