3.1.1 视觉-语言-动作模型 (VLA Models，如 RT-2)

文档摘要

3.1.1 视觉-语言-动作模型 (VLA Models，如 RT-2) 当 RT-2 的动作 logits 在真实机械臂上集体“失重”：一个关于 VLA 模型动作空间对齐的硬核排障手记凌晨两点十七分，实验室的机械臂还悬在半空——不是执行失败，而是根本没动。不是电机堵转，不是通信超时，不是安全急停触发。是它的控制器收到了一串逻辑上“完美”、数值上“合理”、但物理上完全不可执行的动作指令：$[0.0012, -0.0008, 0.0000, 0.0031, 0.0000, 0.0000]$ —— 六维关节增量，单位是弧度，幅度比眨眼时眼睑肌的微颤还小两个数量级。这不是过拟合，不是梯度消失，不是数据噪声。