具身智能的「ChatGPT時(shí)刻」還沒(méi)到，機(jī)器人的「幻覺(jué)」卻先來(lái)了？在需要幾十步操作的長(zhǎng)序列任務(wù)中，現(xiàn)有的VLA模型經(jīng)常「假裝在干活」，誤以為任務(wù)完成。針對(duì)這一痛點(diǎn)，北京大學(xué)團(tuán)隊(duì)提出自進(jìn)化VLA框架EvoVLA。該模型利用Gemini生成「硬負(fù)樣本」進(jìn)行對(duì)比學(xué)習(xí)，配合幾何探索與長(zhǎng)程記憶，在復(fù)雜任務(wù)基準(zhǔn)Discoverse-L上將成功率提升了10.2%，并將幻覺(jué)率從38.5%大幅降至14.8%。

具身智能（Embodied AI）正處于爆發(fā)前夜。

從谷歌的 RT-X 到開(kāi)源社區(qū)的 OpenVLA，通才機(jī)器人策略（Generalist Robot Policies）展現(xiàn)出了驚人的零樣本泛化能力。然而，當(dāng)我們將目光從簡(jiǎn)單的「抓取-放置」轉(zhuǎn)向需要數(shù)十個(gè)步驟的長(zhǎng)程操作任務(wù)（Long-horizon Manipulation）時(shí)，現(xiàn)有的 VLA 模型卻暴露出一個(gè)尷尬的致命弱點(diǎn)：

它們學(xué)會(huì)了「作弊」。

在長(zhǎng)序列任務(wù)中，VLA模型經(jīng)常會(huì)出現(xiàn)一種被稱(chēng)為「階段性幻覺(jué)」（Stage Hallucination）的現(xiàn)象。

簡(jiǎn)單來(lái)說(shuō)，就是機(jī)器人「明明沒(méi)做完，卻以為自己做完了」。

例如，在搭建積木橋時(shí)，只要機(jī)械臂移動(dòng)到了目標(biāo)附近，即便方塊滑落、沒(méi)對(duì)齊或者根本沒(méi)夾住，基于視覺(jué)語(yǔ)言模型（VLM）的評(píng)估系統(tǒng)往往會(huì)因?yàn)橐曈X(jué)上的相似性（"看起來(lái)像是在操作"），給出一個(gè)很高的預(yù)測(cè)分?jǐn)?shù)。

這種「高分低能」的現(xiàn)象，導(dǎo)致機(jī)器人自信地跳過(guò)當(dāng)前步驟進(jìn)入下一階段，最終導(dǎo)致整個(gè)任務(wù)的崩潰。這就好比一個(gè)學(xué)生只寫(xiě)了「解：」字，就以為自己做完了整道大題。

針對(duì)這一痛點(diǎn)，來(lái)自北京大學(xué)的研究團(tuán)隊(duì)（第一作者：劉擇霆，楊子達(dá)，指導(dǎo)老師：唐浩，張澤宇）提出了一種全新的自監(jiān)督VLA框架EvoVLA。