出品：具身智能之心

现在很多VLA模型，都会先采用一个会看图、会理解语言的 VLM 当“大脑底座”，再接上动作模块，让它学会动作控制。

但一个关键问题却还没被深入研究：这个 VLM 底座里，到底哪些能力对机器人有用？如果要把它改造成 VLA，是应该大刀阔斧地重训，还是尽量保住原来的能力？

来自CUHK和 ACE Robotics 的团队，对这个问题做了一组系统实验。结论很直接：VLM 原本的能力很重要，初始化 VLA 时，改得越狠，往往越容易把有用的东西改坏。

标题：Rethinking VLM Representation for VLA Initialization

作者：Weifeng Lin, Siyuan Huang, Hao Li, Tingwei Chen, Ruichuan An, Xinyu Wei, Jianbo Liu, Hongsheng Li

机构：香港中文大学、香港理工大学、北京大学、ACE Robotics

论文：https://arxiv.org/pdf/2605.25802

代码：https://github.com/AFeng-x/Rethink_VLA_Initialization

先说结论

好的 VLA 初始化，不是把 VLM 彻底改造成具身相关的专用感知模型，而是在保住原有能力的基础上，精准补进和动作相关的新能力。

这篇论文给出的经验可以概括成五点：

预训练 VLM 的“通用表征”很值钱，不能轻易丢掉。

给 VLM 补具身能力有用，但要对症下药，不是补得越多越好。

LoRA 这种轻量改造方式，比全量微调更稳。

底座模型越强，保留原始表征的价值越大。

机器人数据也有帮助，但最好分阶段注入，而不是所有信号特征一起硬塞。

为什么这个问题重要？

现在VLA主流做法是先拿一个预训练好的 VLM，比如 Qwen3VL, PaliGemma2等作为 VLA 的 backbone。然后再接一个动作输出模块，让模型从机器人数据里学习如何执行任务。

但问题是：

VLM 会看图说话，不代表它天然会控制机器人。

那它原来的能力到底有多少能有效迁移到机器人控制？是否必须要训练它更好地理解空间、定位、第一视角、任务规划？训练时是全模型都改，还是只加一点适配参数？

过去很多工作默认“用更强的 VLM 当底座”或者“多加具身相关的感知数据”。这篇论文则把问题拆得更细：到底什么样的 VLM 表征，才适合拿来初始化 VLA？

研究怎么做：把 VLA 初始化拆成三个问题

作者没有只比较几个模型分数，而是把 VLA 初始化当成一个“表征设计问题”来研究。