2B模型凭动态注意力超越大模型，S²-VLA解决长程操控误差

AI 摘要

华东师范大学与上海交通大学团队提出S²-VLA模型，通过信念状态和自适应动态门控机制，使2B参数模型在长程机械臂任务中达到96.4%成功率，超越多数7B甚至8.5B模型。该模型动态调整视觉、意图和动作注意力权重，有效缓解累积误差，推理显存约7GB，吞吐量80.8Hz，适合端侧部署。研究强调阶段自适应调度比单纯扩大参数更具价值。

正文节选

0 作者丨张 璐 编辑丨幸丽娟 过去一段时间，Scaling Law 在具身智能里被看得很重。为了让机械臂完成复杂的搬运、对准和组合，多数工作把视觉-语言-动作（VLA）模型做到 7B 甚至 8.5B。参数变大后，语义理解和场景识别确实更强了，但长程操控里的不稳定问题并没有随之消失。 很多大参数量 VLA 在执行到第 10 步或更后面时会出现突然失败。核心原因是累积误差放大（Cumulative Error Propagation）：早期哪怕只有毫米级定位偏差，也会在后续步骤中逐步放大，最终导致抓取失败或动作中断。参数量大了，语义理解确实更强，但模型在动作后半程还是很难及时纠正偏差。 华东师范大学与上海交通大学团队提出的 S²-VLA 针对这个问题做了改进。工作由谢志鹏、韩宗益（共同一作）、赵静（通讯作者）和孙仕亮等完成。 他们没有继续堆参数，而是加了信念状态和自适应动态门控，让模型能按当前阶段调整注意力。结果是：2B 参数量的模型在 LIBERO-Long 上达到 96.4% 成功率，超过了多数 7B 甚至 8.5B 的模型。 论文链接：https://arxiv.org/pdf/2

发布时间：2026-09-03 18:10

抓取时间：2026-09-03 20:19

来源机构：雷峰网