20%数据超GR00T N1.6、RoboDojo超WAM！StarVLA只用16卡训出全新VLA！
详细介绍
机器人 VLA 还在疯狂卷数据，StarVLA 团队这次却把目光放到了另一个问题上：除了继续 scale 数据以外，能不能让每一条数据都学得更值？
图 1｜VLAct 主要结果一览：RoboDojo、RoboTwin 2.0、RoboCasa-GR1，以及 16 GPUs 与全开源。（项目宣传图）
过去几年，大模型已经证明了一条非常有效的路线：数据更多、模型更大、算力更强，能力就不断往上走。VLA 自然也希望复制这条 Scaling 路线。
图 2｜Naive VLA pre-training 容易绑定预训练场景；VLAct 把目标转向更可迁移的 Action-aware Representation。
VLAct 真正的起点，来自团队前期实验中一个很有意思的现象。现在很多 VLA 都会从一个 VLM 出发，挂上 Action Head，再用机器人数据继续训练。很自然的想法是：Action 预测越准，说明这次 VLA 预训练越成功。
图 3｜Action supervision 会直接塑造 Backbone：同 Head 性能提升，并不自动转化为 Cross-head 迁移能力。
围绕这个目标，VLAct 没有重新发明复杂的 Policy Architecture，而是在 continued pre-training 阶段做了三件事。
图 4｜VLAct 完整训练框架：Preserve VLM Prior、Multi-head Continuous Supervision、Partially Unified Action Space，下游重新初始化 Action Head。（论文 Figure 3 原图裁切）
最终，这种 Representation 能不能迁移，还是得看结果。在 LIBERO-Plus 上，VLAct 达到 82.6%；到了双臂操作的 RoboTwin 2.0，Data Scaling 设置下 Clean 成功率进一步达到 92.5%，Random 设置也达到 90.8%。
图 5｜真实机器人评测任务：包括 In-domain 与 Out-of-domain、短时序、长时序和双臂操作。（论文 Figure 11 原图裁切）
最能体现迁移能力的实验来自 RoboCasa-GR1。GR-1 这种机器人在 VLAct continued pre-training 的数据里一次都没有出现过：预训练阶段模型看到的是 Franka、AgileX 等机器人，然后再把 Backbone 拿到 GR-1 上进行下游 Fine-tuning。
图 6｜论文 Figure 5：真机单臂/长时序/双臂结果，以及 RoboCasa-GR1 跨本体迁移；20%下游数据已超过公开 full-data baselines。
VLAct 并不是想证明“数据不重要”。机器人数据当然还需要继续 Scale，但由于机器人数据昂贵、稀缺，而且很难完整覆盖真实物理世界，Representation Quality 本身也应该成为 VLA Scaling 的一条独立轴线。
