REFACTOR-VLA：类型化运动程序的无监督库学习
REFACTOR-VLA: Unsupervised Library Learning of Typed Motor Programs
摘要
现有视觉-语言-动作（VLA）模型（如OpenVLA、π0、RT-2、RDT-1B）采用单体式架构，直接生成原始电机指令或短动作序列，缺乏可复用的抽象行为单元，导致长时程任务表现不佳且可解释性差。现有技能发现方法（如AtomicVLA、AtomSkill）未解决动作序列“行为等价”的判断问题，仅通过动作序列分组处理。
目前大多数视觉-语言-动作（VLA）模型——如OpenVLA、π0、RT-2和RDT-1B——都是“单体式”的。这意味着它们直接生成原始电机指令或非常短的动作序列，而不将行为组织成可复用、定义明确的抽象单元。因此，这些模型在长时程（多步骤）任务上表现不佳，且难以解释它们学到了什么。现有的技能发现方法往往回避了核心问题，即判断两个动作序列何时“行为等价”。例如，AtomicVLA和AtomSkill通过……对动作序列进行分组。
译自 Apple · ML Research · 录于 二〇二六年九月三日