VLA-Retain：视觉微调的跨扰动保持评估

基于摘要分析。该研究面向机器人操控中的 vision-language-action（VLA）模型，考察针对特定观测条件进行视觉模块微调后，性能变化是否会扩散到其他扰动维度。作者提出 VLA-Retain 基准，将目标条件收益与非目标维度的性能保持情况分开评估，而非仅以目标域提升判断适应效果。 评估覆盖五个开放 VLA 模型：分别使用 Camera-view 或 Sensor-noise 数据微调，并在包含七类扰动维度的 LIBERO-Plus 数据集上，与各模型自身的基础检查点比较。该设计旨在减少架构差异的干扰，并检查跨维度退化能否仅由无扰动任务上的性能下降解释。 作者报告，在五个模型与两类微调域构成的十种配置中，八种配置的非目标维度平均收益为负。在 Camera-view 微调条件下，X-VLA 的目标条件表现提升 69.4 个百分点，但其他维度平均下降 4.6 个百分点；OpenVLA-OFT 的相应变化为提升 39.3 和 1.4 个百分点。作者还报告，这些退化不能仅用相同任务在无扰动条件下的性能损失解释；扩大训练覆盖范围可提高相对目标专项训练的整体收益，但仍不能消除个别维度的退化。 微调策略的效果也依赖模型：作者报告，采用 DELTA-style 特征保持策略后，X-VLA 的非目标维度平均收益变为 +1.2 个百分点，而 OpenVLA-OFT 则变为 −23.1 个百分点。这提示特征保持策略并非对所有 VLA 都有一致收益，但具体机制仍需正文验证。 摘要未明确上述性能百分比对应的具体指标、数据划分、训练规模及不确定性；实验协议、消融及统计信息尚未验证。该研究的证据限于机器人 VLA 的视觉适应与跨扰动评估，不构成 EEG 或 BCI 有效性的证据。