随着大基础模型的崛起，视觉-语言-动作模型 (VLA) 展现出了极大的潜力，通过继承丰富的视觉理解和语言基础，为通用机器人策略学习提供了可扩展的途径。
然而，目前的VLA研究领域依然处于一种“原始汤 (primordial soup)”阶段——充满了各种天马行空的探索和设计，但缺乏清晰的架构。
A组说自己的模型很强，取得了非常棒的性能，B组也说自己的模型达到了SOTA。但是由于各家在训练协议和评估设置上的不一致，我们其实很难辨别到底哪些设计选择才是真正起核心作用的。
为了给这个碎片化的设计带来秩序，我们决定回归本质：在统一的框架和评估设置下，从最基础的模型出发，全面重新审视VLA的设计空间。
论文：VLANeXt: Recipes for Building Strong VLA Models
链接：https://arxiv.org/abs/2602.18532
代码：https://github.com/DravenALG/VLANeXt
4月14日（周二）晚8点，青稞Talk 第120期，新加坡南洋理工大学 MMLab 博士生伍晓鸣，将直播分享《VLANeXt：12条设计准则，从入门到精通的 VLA 终极“配方”》。
MMLab@NTU联合中山大学推出VLANeXt，一份从入门到精通的VLA终极“配方”，12个维度带你从零构建高性能VLA！
分享嘉宾
伍晓鸣，MMLAB@NTU的一年级博士生，我以第一作者的身份在ICCV、ECCV、AAAI等国际会议发表了4篇论文，并且一共发表论文二十余篇，参与的方向有具身智能、视觉生成、模型轻量化等等。同时也多次担任顶会顶刊的审稿人，例如TPAMI，IJRR，CVPR，NeurIPS等。
主题提纲
VLANeXt：12条设计准则，从入门到精通的 VLA 终极“配方”
1、VLA 研究的“原始汤 (primordial soup)”困境
2、VLANeXt 结构设计： 12条关键设计准则
3、VLANeXt 真机部署及效果验证
4、AMA （Ask Me Anything）
直播时间
4月14日(周二)20:00 - 21:00