清华大学、小米机器人、北京大学等机构研究者在论文修订版中提出ERVLA，一种面向机器人操作的具身推理视觉—语言—动作模型。该论文于2026年10月15日更新版本，属于预印本，尚不能等同于同行评审结论。论文摘要与正文
研究团队整理了包含978743条轨迹、2.263亿个样本、2592.5小时数据的具身思维链语料，并比较了不同推理信号对机器人控制的作用。论文认为，单纯增加高层语言推理带来的收益有限，真正有帮助的是把任务理解、空间定位、子目标规划和末端执行器运动等信息，与可执行动作建立联系。
ERVLA的一个关键设计是“推理训练、动作直出”：模型训练阶段使用具身思维链监督，但通过推理随机丢弃等策略降低对显式推理文本的依赖；推理阶段不必逐步生成完整思维链，而是直接由视觉语言模块和扩散式动作模块预测连续机器人动作。研究者还指出，把冗长思维链作为动作生成前缀，可能因前序错误累积而降低稳定性。
按论文报告，ERVLA在LIBERO-Plus上的平均成功率为86.9%，在VLABench上为53.2%，并在真实机器人实验中针对语义歧义和长时程操作表现出相对基线的优势。上述数字来自论文作者设定的数据、任务和对比实验，不能直接外推为所有机器人平台或真实生产环境的普遍性能。
这项工作的主要信号不是让机器人“说得更多”，而是尝试把语言推理转化为动作相关的内部表示，同时避免测试时冗长推理带来的延迟和误差累积。后续仍需关注自动标注思维链中的噪声、不同机器人形态之间的迁移效果，以及仿真基准成绩能否稳定转化为开放环境中的长期执行能力。
参考来源：
由 AI 整理，仅供参考；请以原始来源为准。
