VLA统一架构新突破：自回归世界模型引领具身智能

本文来自：王宇琪，中国科学院自动化所博士，研究方向为世界模型，自动驾驶感知与决策等，在 CVPR、NeurIPS、ICCV、ECCV、ICLR 等顶级会议上发表过多篇论文。

王鑫龙团队，北京智源研究院，研究方向为原生多模态大模型，Emu 系列工作核心负责人。

张兆翔团队，中国科学院自动化研究所，研究方向涵盖世界模型、视觉生成与重建、自动驾驶、具身智能等。

从 Sora 到Genie2，从语言驱动的视频生成到世界的交互模拟，世界模型正加速成为连接感知、理解与决策的关键基座。随着视觉 - 语言 - 动作（VLA）模型在具身智能领域的快速发展，多模态之间的边界正被重塑。

然而，现有方法多以语言模态为中心，往往忽视了视觉信息蕴含的丰富时序动态与因果结构。

为此，北京智源研究院联合中国科学院自动化研究所提出UniVLA—— 一种全新的 VLA 模型架构，基于全离散、自回归机制，原生建模视觉、语言与动作信号，并在后训练阶段引入世界模型建模，从大规模视频中学习时序信息与因果逻辑，有效增强了模型在下游决策任务的性能和学习效率。

UniVLA 在 CALVIN、LIBERO、SimplerEnv 等主流具身智能基准上全面刷新多项 SOTA 纪录，并展现出在真机操控和自动驾驶等现实场景中的广泛潜力。

• 论文标题：Unified Vision-Language-Action Model
• 网站链接：https://robertwyq.github.io/univla.github.io/
• 论文链接：https://arxiv.org/abs/2506.19850
• 代码链接：https://github.com/baaivision/UniVLA

统一视觉 - 语言 - 动作的

全离散自回归模型

该框架将视觉、语言与动作信号统一转化为离散 token，并构建视觉 - 动作交错的多模态时序序列，实现原生统一建模。在训练范式上，采用自回归方式进行学习，不仅高效稳定，更具大规模扩展的潜力。

得益于这种时序化的多模态表示，模型天然支持多种任务的统一训练，包括视觉理解、文生视频、动作预测等，具备良好的通用性与数据扩展能力。

统一的视觉-语言-动作模型架构

世界模型助力下游决策

在这套统一框架下，世界模型的后训练显著提升了下游决策性能，且无需依赖大量动作数据，仅凭海量视频即可高效学习。

对比语言生成图像的训练范式，时序动态信息被证明至关重要；而与纯视频建模相比，多模态语义对齐同样不可或缺。这为机器人从大规模视频中学习真实世界知识打开了新路径，展现出世界模型在多模态感知与决策融合中的巨大潜力。

刷新多项仿真基准纪录

该方法在当前主流的具身仿真基准上 —— 包括 CALVIN、LIBERO 和 SimplerEnv—— 均展现出强劲的性能优势，全面刷新多项任务纪录。

CALVIN 的长程任务评测

LIBERO 的泛化评测

SimplerEnv 的泛化测试

解锁更广应用：

真机双臂操控与端到端驾驶

双臂协作倒水

探索新的VLA技术路径

未来展望

相比于基于视觉语言模型（VLM）拓展而来的 VLA 框架，本文提出了一条全新的技术路线，展现出更大的潜力与探索空间。

一方面，我们构建了一个视频版本的 VLA 架构，使模型能够有效捕捉视频中的时空动态特征，并在推理过程中更充分地利用历史信息；同时，即便缺乏动作标签，模型仅通过大规模视频数据的训练，依然在下游任务中表现出显著优势。

另一方面，我们引入全离散的自回归训练范式，显著提升了训练效率，并为大规模数据下的模型扩展性提供了坚实基础。未来，我们将进一步探索该框架与多模态强化学习的深度融合，推动其在开放世界中的感知、理解与决策能力持续演进。