AI 研究助理

基于站内最新资料,回答 AI 前沿问题

回答带出处引用,支持多轮追问,当前页面内容会作为上下文

快速响应
AI 前沿跟踪
今日首页重点内容GitHub 趋势榜
领域
学术研究
大模型
具身智能
AI 基础设施
智能体 · Skill · MCP
机器人
多模态
自动驾驶
数据 / MLOps
AI 硬件
安全对齐
综述与报告
论文自动驾驶VLA中训练数据引擎数据集

EmbodiedMidtrain: Bridging the Gap between Vision-Language Models and Vision-Language-Action Models via Mid-training

查看原文(PDF)
AI 解读已生成 · AI 生成,数字以原文为准
AI 全文总结快速浏览基于论文全文 3.7 万字 · 完整阅读

不改架构、只改数据:从 VLM 池中筛出 1M 样本做 mid-training,使下游 VLA 一致提升

针对多数 VLA 直接沿用未适配具身领域的现成 VLM、导致下游动作学习受限的问题,作者用 MMD 与 t-SNE 揭示 VLA 数据呈紧凑簇、与宽泛 VLM 分布明显分离且对齐程度跨源/源内异质。据此提出 EmbodiedMidtrain:在冻结 VLM 特征上训练轻量二分类 proximity estimator,用其 VLA 成员概率给候选 VLM 样本打分,取 TopK 构建 EmbodiedMidtrain-1M 并对 VLM 做 mid-training 后再微调 VLA。在 Calvin ABC-D、SimplerEnv Bridge 等三个模拟基准及 Franka 真实操作上,InternVL3.5 和 Qwen3VL 两个骨干相对现成初始化均获一致提升;其中 InternVL3.5 的 Calvin 平均连续完成数提升 0.541,真实世界总成功率从 54% 升至 72%,同一所选数据不用重选也迁移到 Qwen3VL。消融表明随机采样及特征距离/困惑度等手工度量不如可学习估计器;训练动态显示 mid-trained 模型从最早微调步即占优且差距扩大;所选集偏好 RefSpatial 等空间推理样本、低分常见封面文字 VQA,说明其同时捕获数据集级与样本级对齐信号并保留多样性。

  1. 1在冻结 VLM 特征上训练邻近度打分器,从 VLM 池中选出 1M 样本
  2. 2在 Calvin、SimplerEnv、Libero-10 与真机任务上,相较原 checkpoint 一致提升
  3. 3用 InternVL3.5-1B 选出的数据迁移到 Qwen3VL-2B 仍有效

为什么重要 这是现有 VLA pipeline 的低成本前置步骤:不换 backbone、也不改 action head 即可复用;但原文未给出具体分数,落地前需要自测适合 做 VLA 训练与具身数据闭环的算法工程师

数据集1M VLM 样本
backboneInternVL3.5-1B
迁移验证Qwen3VL-2B
模型规模1.1B
代码开源承诺发布
来源
arxiv.org
发布
2026/10/19

中文(AI 翻译)

视觉-语言-动作模型(VLAs)从视觉-语言模型(VLMs)继承其视觉和语言能力,但大多数 VLAs 由未针对具身领域适配的现成 VLMs 构建,限制了下游性能。在本工作中,我们提出 EmbodiedMidtrain 来弥合 VLMs 与 VLAs 之间的差距。

我们首先刻画它们之间的数据分布差距,表明 VLA 数据占据紧凑区域,且与更广泛的 VLM 分布在很大程度上分离,而对齐程度在 VLM 数据源之间以及同一数据源内部都存在显著差异。

然后,我们构建了一个中期训练数据引擎,利用轻量级可学习邻近度估计器从大规模 VLM 池中选择与 VLA 最对齐的候选样本,并生成 EmbodiedMidtrain-1M,这是一个我们进一步用于在下游 VLA 微调之前对 VLM 进行中期训练的数据集。

在模拟机器人操作基准和真实世界任务上的实验表明,与现成检查点相比,在不同 VLM 骨干和 VLA 动作头下均获得一致的 VLA 性能提升。这些提升扩展到了未用于指导数据选择的下游任务。进一步分析表明,中期训练为 VLA 微调提供了更强的初始化,提升从最早步骤开始出现,并在整个训练过程中不断扩大。

此外,数据引擎同时捕捉数据集级和样本级的对齐信号,偏向空间推理而非以文本为中心的任务,同时保留 VLM 数据的多样性。我们将发布所有代码、数据和模型以供未来研究使用。

原文

Vision-Language-Action Models (VLAs) inherit their visual and linguistic capabilities from Vision-Language Models (VLMs), yet most VLAs are built from off-the-shelf VLMs that are not adapted to the embodied domain, limiting their downstream performance.

In this work, we propose EmbodiedMidtrain to bridge the gap between VLMs and VLAs.

We first characterize the data distribution gap between them, showing that VLA data occupy compact regions that are largely separated from the broader VLM distribution, while the degree of alignment varies substantially both across and within VLM data sources.

Then, we build a mid-training data engine that leverages a lightweight learnable proximity estimator to select the most VLA-aligned candidates from a large VLM pool, and produce EmbodiedMidtrain-1M, a VLM dataset that we further use to mid-train the VLM before downstream VLA fine-tuning.

Experiments on both simulated robot manipulation benchmarks and real-world tasks show consistent VLA performance gains over off-the-shelf checkpoints across VLM backbones and VLA action heads.

These gains extend to downstream tasks not used to guide data selection.

Further analysis reveals that mid-training provides a stronger initialization for VLA fine-tuning, with gains emerging from the earliest steps and widening throughout training.

Moreover, the data engine captures both dataset-level and sample-level alignment signals, favoring spatial reasoning over text-centric tasks while preserving the diversity of the VLM data.

We will release all code, data and models for future research.

串联起分析 VLM 与 VLA 数据分布差距、筛选近 VLA 样本做 mid-training、下游 VLA 增益的完整链路
MMD 距离矩阵与 t-SNE 显示:VLA 数据形成更紧凑的簇,且与更分散的 VLM 分布分离,跨组距离大于组内距离
数据规模
EmbodiedMidtrain-1M,100 万级 VLM 样本
评测基准
Calvin ABC-D、SimplerEnv Bridge、Libero-10、真机

深度总结

1 / 6
问题与动机· 要点

VLA 大多直接从通用 off-the-shelf VLM 初始化,而 VLM 预训练覆盖 captioning、VQA、文档理解,与机器人操作轨迹的分布不匹配

  • VLA 大多直接从通用 off-the-shelf VLM 初始化,而 VLM 预训练覆盖 captioning、VQA、文档理解,与机器人操作轨迹的分布不匹配
  • 作者在 InternVL3.5 的最后隐状态空间上用 MMD 与 t-SNE 量化差距:VLA 数据形成紧凑簇,且与更宽更散的 VLM 分布明显分离
  • 这种差距并非均匀:部分 VLM 样本本身更接近 VLA 域,因此可以在 VLM 数据池上做选择性适配
  • 已有工作表明,直接在整理好的具身数据上微调 VLM,并不能可靠地转化为 VLA 性能提升(引 Zhang et al. 2026)