过去几年中，Vision-Language-Action（VLA）模型迅速成为机器人领域的焦点：机器人可以 “看懂” 画面、“理解” 语言指令，并直接输出连续动作，在静态抓取、摆放、桌面操作等任务中取得了显著进展。
但一个长期被忽视的问题是 ——真实世界几乎从来不是静态的。当物体开始移动、加速、碰撞、改变轨迹，当前主流 VLA 模型往往会出现反应迟缓、动作失配、甚至完全失败的情况。
问题不在于模型不聪明，而在于：它们跟不上时间。
近日，来自 NTU S-Lab 的研究团队提出 DynamicVLA，首次系统性地从模型架构、推理机制和数据体系三个层面，重新审视并解决动态物体操控（Dynamic Object Manipulation）这一长期空缺的问题。
想深入了解 DynamicVLA 的技术细节？我们已经为你准备好了完整的论文、项目主页和代码仓库！
- 论文链接：https://arxiv.org/abs/2601.22153
- 项目链接：https://haozhexie.com/project/dynamic-vla/
- GitHub 链接：https://github.com/hzxie/DynamicVLA
为什么 “动态操控” 对 VLA 来说如此困难？
在静态场景中，VLA 模型通常遵循如下流程：
感知 → 推理 → 生成一段动作 → 执行完 → 再次推理
当环境基本不发生变化时，这种方式可以正常工作；但一旦物体开始运动，这一流程便迅速失效。
问题并不在于模型能力不足，而在于时间结构本身不适用于动态世界，主要体现在两个方面：
- 感知 — 执行时间错位（Perception–Execution Gap）：由于推理存在不可避免的延迟，当模型完成决策时，物体状态早已发生变化，动作天然 “滞后于现实”。
- 动作分块等待（Inter-chunk Waiting）：多数 VLA 必须等上一段动作完全执行后才能启动下一次推理，使机器人在动态环境中始终处于被动追赶状态。
这两个问题叠加，使得即便在静态任务中表现良好的 VLA，也难以应对真实世界中的动态操控。
DynamicVLA 的核心思路：让机器人 “边想边做”
DynamicVLA 并没有选择通过增大模型来 “预测更远的未来”，而是围绕一个更根本的问题重新设计系统：
在推理延迟无法消除的情况下，如何保证机器人执行的动作仍然与当前世界状态时间对齐？
为此，DynamicVLA 从推理机制、执行策略和模型结构三个层面提出了对应设计。
1. Continuous Inference：让推理与执行不再相互等待
在传统 VLA 中，推理与执行严格串行；
而 Continuous Inference（连续推理）允许模型在上一段动作尚未执行完时，就启动下一轮推理，从而解决的是 Inter-chunk Waiting 带来的反应迟滞问题：
- 推理与执行形成流水线
- 不再存在 “动作执行完才能继续思考” 的空窗期
- 机器人始终保持一个持续更新的动作预测流
2. Latent-aware Action Streaming：修复推理延迟造成的时间错位
即使采用连续推理，推理延迟本身仍然存在。这意味着：模型生成动作时所依据的观察，往往已经落后于真实世界。Latent-aware Action Streaming（LAAS）正是针对这一Perception–Execution Gap设计的执行机制：
- 显式丢弃因推理延迟而 “过时” 的动作
- 只执行在时间上仍与当前环境状态对齐的预测
- 当新预测到来时，优先采用更新、更接近当前状态的动作
3. 为动态而生的轻量化 VLA 架构
上述机制能否成立，还依赖于足够低的推理延迟。因此 DynamicVLA 采用了专为动态操控设计的轻量化架构：
- 卷积式视觉编码器，避免多帧输入下 token 爆炸
- 截断语言模型层数，在速度与理解能力之间取得平衡
- 整体模型规模控制在 0.4B 参数量级
动态操控数据的核心缺口：从仿真到真实世界
