近年来，大模型驱动的Vision-Language-Action（VLA）模型正成为具身智能的重要发展方向。从理解自然语言指令，到完成复杂机器人操作，VLA被认为是通向通用机器人智能的重要路径。
不过，一个长期存在的难题始终困扰着这一领域：模型越会"思考"，往往越难"动手"。
一方面，越来越多的工作开始让机器人具备Chain-of-Thought（CoT）等推理能力，希望机器人能够像人一样"先思考、后行动"；另一方面，高层推理信息却可能干扰底层动作控制，使机器人出现动作迟疑、精细操作能力下降等问题。
与此同时，目前主流VLA模型大多依赖行为克隆（Behavior Cloning）训练，虽然能够很好地拟合专家动作，但一旦部署到真实机器人，闭环执行过程中误差会不断累积，最终导致任务失败。因此，如何将强化学习稳定地应用到真实机器人VLA模型，也成为近年来的重要研究课题。
针对上述问题，来自上海创智学院、上海交通大学卢策吾、叶南阳团队等机构的研究团队在ICML 2026发表论文，提出了新一代Vision-Language-Action模型——SyVLA（Scaling by Diversified Experience for Vision-Language-Action Models）。
一、让机器人"会思考"，但不会被思考拖累
SyVLA整体采用双系统架构。
其中，Qwen2.5-VL负责完成语言理解、视觉理解以及任务规划，而独立的Action Expert则专门负责连续动作生成，两者通过一组Feature Query Token进行连接。
研究团队发现，即使采用这样的设计，高层推理信息依然会混入动作条件表示，使动作模型受到干扰，尤其是在长时序、精细操作任务中容易出现动作不稳定、决策犹豫等问题。
为此，论文提出了Intention Decoupling（意图解耦） 算法。
其核心思想是，根据动作损失对每个Feature Query Token的重要程度，自动识别与机器人控制关系较弱的Token，并在训练阶段将其屏蔽，从而减少高层推理信息泄露，让动作专家更加专注于真正与控制相关的信息。
论文还从理论角度证明，该方法能够有效减少高层推理信息，同时仅带来极小的控制信息损失。
实验结果进一步验证了这一设计的重要性：在折叠衣服任务中，移除意图解耦模块后，模型成功率由86%下降至43%。
二、给真实机器人强化学习加上"安全护栏"
除了动作表示之外，研究团队还关注真实机器人强化学习的稳定性问题。
论文指出，仅依赖行为克隆训练，模型优化的是"每一步动作"，而真实机器人最终关心的是"整个任务是否成功"。两者之间存在天然差距，因此需要在线强化学习进一步优化。
然而，真实机器人强化学习通常十分脆弱，策略容易发生崩溃。
对此，SyVLA提出了一套Similar-Sample Guided RL训练流程。
在每次强化学习更新时，除了当前机器人采集的数据之外，系统还会从专家数据集中检索视觉语义最相近的历史样本，与当前数据共同训练。
这些相似样本能够持续约束策略更新方向，使机器人在探索过程中保持合理动作，从而显著提升训练稳定性。
值得注意的是，研究团队还发现，直接对专家数据采用传统PPO优势估计，会导致策略迅速崩溃。因此，论文进一步提出将专家样本优势固定为1，使其等价于行为克隆目标，有效避免了梯度爆炸和策略退化，为真实机器人在线强化学习提供了一种更加稳定的实现方案。
三、用不到Pi0 5%的预训练数据，实现接近甚至超越大型模型的性能
论文在三个真实机器人任务上，对SyVLA与Pi0、GR00T、OpenVLA、ChatVLA等代表性模型进行了系统比较，包括：
长时序精细操作（折叠衣服）
推理与操作结合（数学计算+包装）
模糊语言理解（零食装袋）
实验结果显示，在域内测试中，SyVLA平均成功率达到73%；在更具挑战性的OoD测试中，平均成功率达到64%，显著优于多种主流基线。
SyVLA在真实世界任务成功率
其中，在需要语言推理的计算包装任务中，SyVLA在OoD环境下取得57%成功率，而官方预训练Pi0为29%，体现了模型较强的推理泛化能力。
更值得关注的是，SyVLA使用的机器人预训练数据规模不足Pi0公开预训练数据的5%，却取得了接近甚至部分超越大型预训练模型的性能。这也说明，相比单纯扩大数据规模，更合理的模型架构和训练策略同样能够显著提升VLA模型表现。
四、保留机器人能力，也保留视觉语言能力
不少VLA模型在机器人训练之后，会出现视觉语言能力明显退化的问题。
SyVLA则采用机器人数据与多模态数据混合训练，在保持机器人操作能力的同时，尽可能保留了原有VLM的视觉理解与推理能力。
Multi-modal Benchmarks
多模态基准结果
在多个视觉语言基准上，SyVLA取得了较好的综合表现，其中MME达到1795分，HallBench达到42.53分，均超过现有多种VLA模型。
论文认为，这使得SyVLA能够在机器人执行能力与通用视觉语言能力之间取得较好的平衡。
五、推动开放VLA生态建设
除了模型本身，研究团队还表示将逐步开源SyVLA相关资源，包括论文、模型权重、训练代码和数据集等，为社区提供更加开放、可复现的VLA研究基础。
随着越来越多VLA模型走向真实机器人应用，如何兼顾推理能力、控制精度和泛化能力，正成为具身智能领域的重要研究方向。SyVLA围绕"推理—控制解耦"和"真实机器人强化学习稳定化"提出了一种新的解决思路，也为开放VLA的发展提供了新的参考。
据介绍，SyVLA也是研究团队打造开放具身智能生态的重要组成部分。依托OpenEAI-Platform，团队正持续推进从自研机械臂、机器人数据采集，到大规模预训练、强化学习和真实机器人部署的全链路开源建设，探索以开放数据、开放算法和开放硬件打造强泛化具身基础模型。未来，团队也期待与更多高校、科研机构及产业伙伴共同推动开放具身智能生态的发展。如对项目合作、联合研究或平台共建感兴趣，可通过项目主页联系进一步交流。
● 项目主页：https://sy-vla.github.io/
