涵盖 VLA 领域核心概念、公式、模型对比、常见陷阱与工程误区的快速参考。
更新：2026-04-21 · 覆盖 2022 CLIP → 2026 Q2 π0.7 / EgoScale / GR00T-N1.7
- 关键论文时间线 — 从 CLIP 到 π0.7、EgoScale、GR00T-N1.7 · 34 篇关键工作
- 核心公式速查 — Attention · Diffusion · Flow Matching · LoRA · 6D 旋转 · RL 基础 · 评估指标
- 模型对比总表 — 16+ 主流 VLA 模型架构 × 能力 × 真机成绩
- Benchmark 地图 + 可信度警告 — 30+ benchmark · 9 大类 + 智能/推理专节 + BEHAVIOR-1K 深度拆解
- 数据集速查 — 25+ 数据集 · 许可证继承规则 · 商用合规组合推荐
- 数据失效模式 F1-F6 — 虚假相关 / OOD / 时序错位 / 坐标漂移 / 语言解耦 / 动作偏斜
- RL 后训练三流派 — 传统 RL / ACP / RL Token · World Model 辅助
- 建立领域全景：扫一遍 timeline，按"epoch → 代表模型 → 唯一重要贡献"组织记忆
- 复习核心算法：翻 formulas——Attention / LoRA / Diffusion vs Flow Matching / 6D 旋转 / RL Advantage
- 需要比较多个模型：看 model_comparison 架构 × 能力 × 真机成绩矩阵
- 报 benchmark 分数前：先过 benchmarks 警告——PRO/Plus/X 扰动结果 + 真机验证一起报
- 选数据集：看 datasets——先看许可证再看规模，商用合规数据集组合
- Debug 真机出问题：用 failure-modes F1-F6 分类排查
- 规划后训练路线：看 rl-post-training 三流派选型
- ❌ 把 OpenVLA 当 SOTA —— OpenVLA 是"第一代开源标杆"，真机性能已被 π0.5/π0.6/π0.7/GR00T-N1.7 等超越
- ❌ 只报单 benchmark 数字 —— LIBERO 90%+ 很可能是记忆化，需要 PRO/Plus/X 扰动对照（见警告 1-3）
- ❌ 把 Flow Matching 和 Diffusion 当同义词 —— 两者 MDP 建模完全不同，RL 后训练路线也不同
- ❌ 认为"人类数据没用" —— EgoScale log-linear scaling 实证 (R²=0.9983)
- ❌ 混用 CC BY-NC 数据做商用 —— 许可证继承到模型，即使代码 MIT 也不能商用