机器人VLA终于能摸东西了
推荐指数 73.0 NO. 022 · 2026.05.08
upvotes84comments1
为什么值得看
RLDX-1 用多流 Action Transformer 把运动感知、记忆决策和物理触觉塞进机器人策略，补上了现有 VLA 模型只会看不会摸的短板。对做实体机器人的团队来说，这是让实验室 demo 能进工厂的关键一步。
媒体预览
编辑判断
当前机器人圈的主流 VLA 路线（如 RT-2、OpenVLA）基本靠视觉+语言硬撑，遇到需要力反馈或精细手指操作的场景就露馅，这也是特斯拉 Optimus 演示里反复穿针却不敢真拧螺丝的原因。RLDX-1 的 Multi-Stream 架构把触觉、本体感知和时序记忆独立编码再融合，相当于给机器人加了小脑和周围神经系统。
论文提到在复杂真实任务上超越现有 VLA，但没有给出具体 benchmark 数字，这是最大隐患——机器人领域缺乏像 ImageNet 这样的统一评测，容易自说自话。建议等代码和训练数据开源后再评估，目前 HuggingFace 上只有技术报告，权重未放。
如果你在做灵巧手或工业质检方向的具身智能，可以先跟踪这个架构的模态融合方式，比从头训一个 VLA 更务实。