当前 VLA 预训练通常将视觉、语言和动作联合映射到动作，但视觉-动作监督更密集，容易使策略依赖视觉捷径，削弱语言对动作执行的约束。
上海交大联合阿里巴巴发布 LA4VLA，提出 Language-Action Pretraining：在预训练阶段暂时去掉视觉输入，让 VLA 更集中地学习语言和动作之间的对应关系。
为什么移除视觉 VLA 反而学得更好？上交大&阿里最新发布 LA4VLA：把语言-动作关系单独拿出来学
论文：LA4VLA: Learning to Act without Seeing via Language-Action Pretraining
链接：https://arxiv.org/abs/2606.27295
主页：https://github.com/MINT-SJTU/LA4VLA
LA4VLA 将语言-动作学习从视觉 grounding 中解耦，通过把已有专家示范重组为原子指令-动作片段，构建 33K 规模的 vision-agnostic LA 数据，使策略学习可复用的语言条件动作先验。
8月4日（周二）晚8点，青稞Talk 第142期，上海交通大学人工智能学院博士生林涛，将直播分享《LA4VLA：从 VLA 预训练中解耦语言-动作监督》。
本次 Talk 将围绕问题诊断、LA 数据构建、LA-only / LA-to-VLA / Mixed LA-VLA 三种预训练范式，以及仿真、跨架构、真实机器人和视觉扰动鲁棒性实验展开，说明显式语言-动作预训练可作为标准 VLA 训练的互补信号，提升策略性能与鲁棒性。
青稞介绍
林涛，上海交通大学人工智能学院博士生，研究方向为具身智能、VLA 模型与多模态大模型。Evo 系列主要开发人员，Evo-0、Evo-1、Evo-Depth 第一作者，主要研究具身大模型 infra、具身数据预训练，以及覆盖数据采集、模型训练、模型评测与部署的全栈技术体系。
主题提纲
LA4VLA：从 VLA 预训练中解耦语言-动作监督
1、为什么 VLA 里的语言监督不够强？
2、LA 数据构建：从长轨迹中提取语言-动作片段
3、LA-only / LA-to-VLA / Mixed LA-VLA 三种预训练范式
4、仿真、跨架构、真实机器人和视觉扰动鲁棒性实验
5、未来技术探索 & AMA （Ask Me Anything）环节
直播时间
8月4日（周二）20:00 - 21:00