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？
他们最新发布了面向 VLA 的 VLM 底座 VLAct。
VLAct 的整个 continued pre-training 只使用开源数据和 16 张 GPU，但成绩相当能打：RoboTwin 2.0 成功率达到 92.5%；在 RoboDojo 榜单中超过所有明确标注为 World Action Model（WAM）的模型；面对预训练阶段从未见过的 GR-1 机器人，只使用 20%的 RoboCasa-GR1 下游数据，就已经超过 NVIDIA GR00T N1.6 的全量数据基线。模型、Checkpoint、训练代码和 Pipeline 也全部开源。
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）
机器人数据
没法像互联网数据一样“爬”
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。
但机器人领域有一个绕不开的现实：机器人轨迹不是网页数据，不能从互联网直接爬下来。每条数据都需要机器人真正在物理世界里完成操作，背后往往还有遥操作、数据采集和硬件成本。更麻烦的是，机器人最终面对的是几乎无限的场景、物体、任务和机器人形态组合。
所以 VLAct 并不是想否定 Data Scaling，而是补上另一个问题：在同样的数据预算下，能不能让机器人轨迹在 Backbone 里留下更多可以跨任务、跨 Action Head、甚至跨机器人迁移的知识？
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。
一个有点反常识的发现：
Action 学得更好，Backbone 不一定更好
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。
但实验发现，并不一定。以 RoboTwin 为例，使用 OFT Head 做 continued pre-training 后，如果下游继续使用 OFT，成功率可以从 61.7%提高到 75.8%；但把同一个 Backbone 换成 PI Head，下游反而从 60.5%下降到 55.1%；换成 GR00T Head 甚至从 51.2%降到 28.9%。
换句话说：Policy 在原来的 Head 上变强了，不代表 Backbone 真的变得更通用。
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。
原因也很直观。Action Head 和 Backbone 是一起训练的，只用一种 Head 时，Backbone 很容易逐渐学会一种“最方便这个 Head 读取”的 Feature Geometry。对于当前 Policy，这当然很好；但换一个 Action Head、任务甚至机器人后，这些 Representation 未必还能继续复用。论文把这种现象称为 head-specific representation collapse。
于是 VLAct 把 continued pre-training 的目标重新定义了一遍：不是训练一个已经很会做动作的固定 Policy Initialization，而是训练一个能被不同 Action Head、不同任务、不同机器人继续利用的 VLM Backbone。
那怎么避免 Backbone 被“带偏”？
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。
第一，别把 VLM 原来学会的东西忘了。VLAct 保护 Vision Encoder 和较浅的 LLM 层，同时混入 Caption 数据，让模型在学习 Action 时尽量保住原来的视觉语言先验。
第二，别让一种 Action Head 说了算。VLAct 同时挂上 OFT、PI 和 GR00T 三种连续 Action Head，让它们共同读取一个 Backbone、预测同一套动作。这样 Backbone 想同时服务不同 Decoder，就不能只把信息组织成某一种 Head 最喜欢的形式。更重要的是，预训练结束后这些 Head 全部可以丢掉，下游重新初始化自己的 Action Head。
第三，不同机器人之间，该共享的物理语义就共享。例如“打开/关闭夹爪”在不同机器人上的物理意义高度相似，但不同机械臂的自由度和运动学结构又不能粗暴统一。因此 VLAct 只统一真正一致的 Action 维度，其他部分继续保持 Embodiment-specific。
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）
RoboTwin 92.5%
RoboDojo 超所有 WAM
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%。
在 RoboDojo 上，VLAct 取得 10.66 Score 和 7.60%的 Success Rate，并超过所有明确标注为 WAM 的参赛模型。也就是说，这套预训练并不是只在某一个机器人、某一个 Benchmark 上有效。
论文还在 Franka 真机上覆盖了单臂短时序、长时序、双臂协同，以及 Novel Object 和 Full Substitution 等 OOD 设置。
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）
20%数据
超过 GR00T N1.6 的 100%
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。
结果只使用 20% 的 RoboCasa-GR1 轨迹，VLAct 就达到 49.5%的成功率，已经超过 GR00T N1.6 和 Qwen3VL-OFT 的全量数据基线；当数据提高到 100%时，VLAct 进一步达到 54.0%。
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。
Beyond Data Scaling
让每条机器人数据“学得更值”
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。
过去大家更常问：“还能收多少机器人数据？”VLAct 希望同时再问一句：“同样这些机器人数据，到底能让模型学到多少可以迁移的东西？”
整个 VLAct continued pre-training 基于 Qwen3-VL-4B，只使用公开机器人数据和 16 张 GPU 完成。目前模型权重、Checkpoint、数据处理及训练 Pipeline 均已开放，希望把一个更适合物理世界、也更 Research-friendly 的 VLM Backbone 交给 VLA 社区。
项目链接
项目主页：https://starvla.github.io/VLAct/
论文标题：Beyond Data Scaling: Representation-Centric Continued Pre-training for Vision-Language-Action Models
论文地址：https://arxiv.org/abs/2608.27550
GitHub：https://github.com/starVLA/VLAct
Hugging Face：https://huggingface.co/collections/StarVLA/vlact
X: https://x.com/YSenqiao/status/2094260526075302194
© THE END
转载请联系本公众号获得授权
投稿或寻求报道：liyazhou@jiqizhixin.com