VLA Grounder：面向黑盒 VLA 模型的语言条件空间优化

基于摘要分析。该研究面向机器人 Vision-Language-Action（VLA）模型对指令措辞敏感的问题，提出在保持下游动作策略完全冻结的情况下，优化输入语言条件，而非更新动作权重。核心贡献是学习一个语言条件空间策略，将人的任务指令转换为更适合目标 VLA 执行的简短命令。 机制上，该策略利用物体外观、空间关系和目标定位线索生成命令，以从失败中提取的命令空间先验进行初始化，再通过稀疏任务完成奖励开展强化学习。优化对象是能够诱发冻结 VLA 成功行为的语言表达，而不是下游动作策略本身。摘要未说明失败先验的提取流程、策略模型结构、具体强化学习算法，以及训练和推理所需的观测与交互权限。 作者报告，在 RL4VLA 和 VL-Think 上，该方法改善了指令敏感、符号性及多物体操作任务的成功表现。摘要未提供成功率数值、对照基线、任务划分或交互预算，因而不能据此判断提升幅度、样本效率及泛化范围；实验协议、消融及统计信息尚未验证。 本文的主要对象是机器人语言条件与动作执行，而非 EEG 解码或 BCI。当前材料未建立其语言优化机制与具体 BCI 瓶颈之间的对应关系，因此不将机器人任务收益外推为 BCI 有效性；相关 EEG 工作尚未检索确认。复现前应核对命令生成所依赖的信息、奖励获取方式、下游模型访问条件，以及训练任务与评估任务的隔离方式。