NestedVLA：学习整合与生成视觉–语言–动作模型的技能

NestedVLA 研究机器人 Vision–Language–Action（VLA）模型如何整合在异构任务与环境中独立学得的技能，提出通过任务条件参数生成替代直接参数合并。基于摘要分析，其核心贡献是使用嵌套超网络生成可与冻结基础 VLA 组合的动作专家参数，并单独保留任务特定的压缩 VLM 残差。 该方法采用“先独立学习技能、再事后整合”的路径，针对联合多任务训练中的任务干扰，以及模型合并中的参数冲突或架构改动需求。目标任务作为超网络的条件输入，用于生成任务自适应的动作专家参数；任务残差则分别保存。摘要未披露嵌套超网络的具体结构、训练目标、残差压缩方式及推理开销，实验协议、消融及统计信息尚未验证。 作者报告，在 MetaWorld、ManiSkill、CALVIN 三个 RL 基准上，相比最强模型合并基线，平均提升 41 个百分点；在 ManiSkill 上，与逐任务微调的差距在 1 个百分点以内，并在 CALVIN 上显著缩小差距。摘要未明确这些差值对应的指标名称、任务汇总方式、数据划分及基线配置，因此不能将其直接解释为 Accuracy，也不能据此作跨协议比较。作者将该方法定位为存储高效的技能整合路径，但总存储量仍需结合超网络、动作专家及各任务残差核算。摘要提供了代码链接，其可运行性及复现条件尚未验证。 平台推测（待验证）：假设这一机制可用于 EEG 多任务适配，可复用的是冻结共享骨干、通过任务条件生成适配参数的思路；机器人动作专家及 VLM 残差不能直接照搬，需要改造为 EEG 解码模块，并明确任务条件如何获得。小数据、低信噪比及跨被试或通道差异可能使参数生成不稳定。可先在固定 EEG 骨干和同一数据划分下，对比逐任务微调、参数合并与条件参数生成，同时记录解码指标和总存储量，以检验性能保留与压缩能否兼得。相关 EEG 工作尚未检索确认。