CoLA：通过学习式适配器实现多 VLA 协调

基于摘要分析。本文研究多个 Vision-Language-Action（VLA）机器人策略共享工作空间时，何时需要显式通信，而非仅通过相互观察完成协调。CoLA（Coordination via Learned Adapters）冻结各智能体的 VLA 主干，训练轻量消息通道及每个机械臂的扩散动作头，并采用完全去中心化执行。 核心对照是改变智能体可获得的信息，检验消息通道是否仍有作用。作者报告，在仅一个智能体能看到箱子颜色标记的遮挡托盘交接任务中，CoLA 成功率为 76.0%，而训练全程将消息置零的对照为 1.3%。在共享俯视相机条件下，双臂与三臂交接任务中，有消息与去除消息的成功率分别为 90.6% 对 88.3%、63.5% 对 60.0%；作者称移除消息没有可测影响。双臂任务改为仅使用腕部相机后，对应成功率为 74.8% 对 64.3%。这些结果支持作者关于通信价值取决于私有信息的解释，但具体统计检验尚未验证。 作者还报告，在同一遮挡托盘任务中，使用冻结 π₀.₅ 主干的 CoLA 总体成功率为 37.3%，LoRA 微调基线为 34.7%，且 CoLA 使用较少的可训练参数；摘要未给出具体参数量。在 CoLA 实际放置箱子的条件下，选对托盘的比例为 71.8%；独立微调且放置臂看不到颜色标记的基线为 34.7%，随机水平为 33.3%。该条件性托盘选择指标不能与总体任务成功率混用。 消息的编码与传递方式、训练监督与损失、示范数据规模、评估次数、消融及统计信息尚未验证。本文主要贡献是机器人多智能体的通信机制及观测条件对照；摘要未提供与 EEG/BCI 的具体机制对应，不能据此推导神经信号任务中的收益。