VLANeXt 擴充為統一 VLA 研究底座，涵蓋世界模型與潛在動作預訓練

VLANeXt 團隊在 8 月 31 日公布重大程式庫升級，把原先用來拆解視覺—語言—動作模型設計的研究程式碼，擴展為可比較多種機器人學習路線的統一底座。新版支援 World Action Model、潛在動作預訓練與微調、JEPA 類世界建模、小型 VLA、語言—動作學習、更多資料格式及平行評測；原始論文版本則保留在 `VLANeXt-ori` 分支，避免新抽象層破壞既有結果的重現路徑。

VLANeXt 的設計出發點，是在相同訓練與評測條件下分離 VLA 系統中容易混雜的選項。團隊整理的十二項配方包括：讓 VLM 與專用 policy module 分工、一次預測 action chunk、以連續值而非離散 token 表示動作、使用較強的視覺語言骨幹、在 VLM 與策略間採柔性連接，以及把機器人 proprioception 納入條件。歷史影格不一定能穩定改善結果；世界模型可能有幫助，卻會顯著增加計算量。這些選項現在可在共用設定及資料管線中切換，比逐一拼接不同論文程式庫更適合做消融實驗。

官方在 LIBERO-plus 的相機、光線、背景、語言改寫、機器人狀態及場景配置擾動下，報告 VLANeXt 平均成功率為 83.9%，高於 OpenVLA-OFT 的 69.6%。訓練可使用重新整理及篩選過的 MolmoAct2-DROID 資料，評測則涵蓋 LIBERO 與 LIBERO-plus。

這次更新的重要性在研究基礎設施，而不只是排行榜名次：同一底座能減少資料處理、策略頭及評測腳本差異造成的比較偏差。不過，數字由作者在其設定下產生，資料重整也可能影響公平比較；LIBERO 成功率不能直接代表真實機械臂的安全性、長期可靠度或跨硬體泛化。採用者還須注意專案使用 NTU S-Lab License，商業用途不應預設等同 Apache 2.0。