VLA（视觉-语言-动作）大模型，一度被视为通往通用机器人的“快车道”。英伟达Gr00t、Physical Intelligence的π系列……一个个模型展现出令人惊叹的复杂操作能力。

但你不知道的是，这些看似强大的模型，其实极其“脆弱”。

国内外多个团队的研究得出一致结论：VLA模型在标准评测中动辄90%以上的成功率，只要相机视角轻微变化——甚至只是不小心碰了一下相机，让画面里的桌子相对位置变了几个像素——成功率就可能直接跌到30%以下。

为什么？

招商局先进技术研究院下属狮子山人工智能实验室团队给出了精准诊断：问题的根源是“捷径学习”。

团队识别出VLA模型普遍存在的三种“隐性耦合”——相机-基座耦合、相机-物体耦合、物体-位置耦合。说白了，模型根本没学会“桌面上笔在哪里”，而是记住了“笔在画面右下角1/4处”这种固定套路。一旦相机位置变了，画面中的相对坐标全变了，模型立刻“失忆”。

最隐蔽的是物体-位置耦合：团队做了一个实验，训练机器人“抓起笔放入笔筒”时，故意让笔筒位置固定。训练完成后，笔筒在原位时成功率95%；仅将笔筒平移一个直径的距离，成功率直接暴跌到72%。模型根本没理解“把笔插进笔筒”，只是记住了“往那个固定坐标移动”。

怎么破？

团队提出了“运动之眼”范式——让相机动起来采集数据。系统由两条机械臂协同工作：一条执行任务，另一条作为6自由度的“运动之眼”，沿连续轨迹运动，从不断变化的角度观察操作过程。再配合多固定视角数据与移动视角数据按比例混合，形成“混合动态数据采集策略”。

效果立竿见影：接入“运动之眼”后，模型在全新陌生机位下的任务成功率从43%提升至83%，综合性能最高提升26.8%。而且无需改动模型主干网络，兼容ACT、Diffusion Policy、π0、Gr00t等多款主流架构。

该论文已被机器人领域顶级会议IROS 2026正式收录。本届IROS投稿量创历史新高，录用率仅36%，为近15年最低。狮子山实验室此前已在另一大顶会ICRA 2026的全球机器人柔性衣物折叠赛中斩获冠军。

从“背答案”到“真理解”，中国团队用“会动的眼睛”，给机器人装上了真正看懂三维空间的能力。