跳至正文
原文导读 · 原标题中译

一个VLA需要多少条示范?——VLA微调样本效率研究

How Many Demonstrations Does a VLA Need? On the Sample Efficiency of VLA Finetuning

材料发布 2026-11-10 · arXiv · 作者论文 · 核查 2026-11-13

内容摘要

预训练视觉-语言-动作模型(VLA,把图像和语言直接转成机器人动作)迁到新场景,到底需要多少示范数据、多少训练步数?业界常比的零样本成绩和全量数据微调成功率都回答不了:同一批模型在LIBERO-Spatial全量数据上差距不到2分,换成50条示范后成功率最多差出3倍。

作者用行为克隆(模仿学习式微调)测六个模型(π0、π0.5、GR00T N1至N1.7)在LIBERO四个套件的适配效率,同时改变示范条数与训练步数;π0与π0.5共用同一视觉-语言主干和动作专家、只差预训练配方,GR00T各代是连续迭代。

π0.5在每个套件、每个示范预算下都更好:Spatial上25条示范达75.0%,超过π0用50条的63.0%;长程Long上25条(63.5%)已超过π0用100条(49.8%),至少4倍;全量数据下π0.5在Spatial上0.4k步达80%,π0要2.0k步。GR00T内部相反,N1.5更好适配,在Spatial、Object、Goal各预算上都强过N1.6与N1.7(25条示范44.8%对4.5%、27.5%),Long是例外。

把冻结视觉-语言主干当作微调变量:π系列掉23–56个百分点,GR00T N1.5–N1.7最多变6点;若部署算力只能更新动作头,作者认为GR00T更合适、π系列不合适。

点评

对做本体软件和适配流程的人,最实用的结论是:选VLA基座时,除了看零样本和"用满数据微调后"的分数,还应问"给我50条示范能到什么水平"。在本文的LIBERO仿真条件下,π0.5在所有套件和所有示范预算下都更省示范、也更省训练步数;GR00T家族里更新迭代的N1.6、N1.7并不比N1.5更好适配,短程套件上用N1.5作为起点更划算(长程Long则相反)。工程上还多一个可调旋钮:如果部署环境只允许更新动作头、必须冻结视觉-语言主干,作者的实验显示GR00T几乎不受影响(最多6点),而π系列会掉23–56个百分点;此时应优先考虑GR00T。这些都是作者在LIBERO仿真、以行为克隆微调得到的结论。

全部实验在LIBERO仿真中完成,真机任务与其他仿真基准仍在进行中、将在后续版本补充,因此不能直接外推到真机部署;结论限于行为克隆式微调这一设定。各发布模型在数据、架构、规模上同时不同,所以关于"预训练时是否冻结视觉-语言主干"的证据只是相关性的、无法隔离单一变量。跨模型族比较因两族学习率与调度设置不同,作者自称仅为参考性结论。来源为arXiv v2预印本(replace-cross),表格与图可能随修订版更新;文中倍数受限于实际测过的示范预算点,偏保守。

版本与核查范围

版本 2611.09964v2 · 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;#S1.p3.1;#S4.SS1.SSS0.Px1.p1.1;#S4.SS1.SSS0.Px2.p1.1;#S4.SS1.SSS0.Px3.p1.1;#S1.I1.i2.p1.1;#A3.T2.2;#A3.T2.2;figcaption[64];#S6.SS0.SSS0.Px2.p1.1;#S7.SS0.SSS0.Px2.p1.1;#S5.SS1.p1.1