VLA模型空间感知能力突破

VLA模型之前的空间能力主要靠2D视觉语言预训练'蹭'来的，真到机械臂抓东西就露馅。SLA的关键设计是训练时把3D感知模型冻住、只训对齐层，这样不会破坏VLA原有的语义能力，又能注入几何先验。

特征依赖门控和概率状态dropout这两个 trick 值得细看：前者让模型自己决定什么时候该信3D特征、什么时候该信2D语义，后者防止模型对特定传感器配置过拟合。代码和模型权重是否开源还没确认，如果放出来，做具身智能的团队可以直接拿来替换OpenVLA或RT-2的backbone。

算力需求是落地关键——论文没提训练成本，但 continual pre-training 通常比从头训省一个数量级，中小企业应该能玩得起。