多数视觉-语言-动作策略仍然使用远小于前沿水平的视觉语言模型骨干,而前沿模型已经在机器人控制上展现出可观能力。材料以 GPT-6 Astra 为例,指出广泛预训练可能蕴含对物理动作有用的知识,但这一潜力在现有 VLA 里大多没有被用上。ScaleVLA 的做法是把 552B 参数的 DeepSeek-V4.1-Flash 接到一个可训练的动作 DiT 上,并在共享训练设定下,把从 2B 到 552B 的骨干放在同一套流程里比较。评价围绕机器人基础模型的三项能力展开:样本效率、泛化,以及精密操作。作者要问的是,前沿尺度表征能否成为机器人学习更强的基础。
样本效率与泛化
对照首先看样本效率。ScaleVLA 只用 10 条演示,就超过了用 50 条演示训练的 2B 骨干,数字是 87.8% 对 85.6%。差距不大,但方向明确:更大表征在极小数据下已经不落后,甚至略好;五倍演示量也没有让 2B 骨干反超。泛化则看 LIBERO-PRO,ScaleVLA 成功率 45.1%,较小骨干最高只有 31.3%。摘要强调这是共享训练设定下的系统比较,因此差异更应归因于骨干尺度,而不是各家自己调过的配方。这对应三项能力里的前两项。
精密操作与延迟
精密操作看真实世界的充电器插入。成功次数从 4/10 提升到 9/10,增益集中在接触敏感的对齐。尽管骨干达到 552B,ScaleVLA 每个动作块的中位延迟为 216 毫秒。作者的结论是:前沿 VLM 不仅可以充当推理智能体,也可以作为高效、可泛化机器人策略的表征基础。摘要把延迟和成功率放在一起写,等于同时回答「有没有变强」和「大了还能不能出动作」。
我的判断
这组实验把「大模型会不会只擅长说话」落到动作成功率上,样本效率、泛化、精密操作三项方向一致,并报了 216 毫秒中位延迟,写法相对克制。价值主要在尺度扫描,而不是一个立刻可复制的 552B 配方。摘要没有训练算力、数据构成、动作头如何对齐超大特征,也没有更多本体、场景和失败分析;216 毫秒是中位数,不能外推成最坏时延或高频控制。适用边界因此很窄:已有小规模 VLA 与动作头流程的团队,可把它当表征上限的参照,而不是下周替换生产策略。对大多数团队,小骨干加数据仍更现实。材料止于摘要,评价也只能停在这些数字上。