多数视觉-语言-动作模型借助视觉语言预训练中的语义做机器人控制，在多种基准上已有不错表现。但它们多半把观察直接映射到示范动作，并不显式学习中间物理状态如何变化，容易过拟合观察与动作的对应。已有方法会在语言、视觉或潜空间做中间推理或未来状态预测以引导动作，却仍未直接监督物理状态转移本身。VLA-Δ 把当前与未来状态之间的物理变化作为显式学习目标。
训练学状态差，推理仍直出动作
作者将其表述为通用框架：学习目标是当前到未来的物理变化。为此构建大规模预训练数据，并得到物理状态转移标注，覆盖任务相关语义与视觉运动变化，意在给连续动作生成更直接的监督。材料未给出数据量、标注流程与模型结构，不能把「大规模」读成具体量级。推理时模型仍从当前观察直接生成动作，无额外推理开销。状态差是训练监督，不是测试时必须先预测未来的中间步骤。
仿真相当，真机优于 π0.5
摘要称在 LIBERO 与 RoboTwin 上与最强方法相当，真机实验优于 π0.5。未报告成功率、任务数或方差，不宜写成全面领先。材料也未给出对比方法的具体分数。
我的判断
把物理变化写成监督，针对的是观察-动作过拟合，比只在语言或潜空间预测未来更贴近控制要解决的量；推理保持直出，部署负担不明显增加。这是一条清楚的训练目标假设。
边界同样明确：状态差如何对齐到连续动作、标注噪声如何处理、对未见物体与接触力学是否成立，摘要均未说明。真机只比较 π0.5，不能外推到其他 VLA。「大规模」没有量级，复现成本未知。若标注主要来自视觉运动变化，力与摩擦相关的物理差可能仍然弱。在缺少表格数字之前，价值在于监督信号怎么选，而不在已经量化的涨点。