【论文自动阅读】InternVLA-A1: Unifying Understanding, Generation and Action for Robotic Manipulation

🚀 快速了解部分

基础信息（英文）：

1. 题目: InternVLA-A1: Unifying Understanding, Generation and Action for Robotic Manipulation
2. 时间年月: 2026年1月
3. 机构名: Shanghai Artificial Intelligence Laboratory (上海人工智能实验室)
4. 3个英文关键词: Vision-Language-Action (VLA), World Models, Robotic Manipulation

1句话通俗总结本文干了什么事情
本文提出了一种名为 InternVLA-A1 的机器人模型，它把“看懂世界”、“想象未来画面”和“执行动作”融合在一个系统里，让机器人不仅能听懂指令，还能预判动作带来的物理变化，从而在动态环境中（比如传送带上）更聪明地完成任务。

研究痛点：现有研究不足 / 要解决的具体问题

• 语义与物理的割裂：现有的 VLA 模型（基于大语言模型）擅长语义理解，但无法推断物理世界动态（如惯性、接触），导致在动态场景（如传送带）中表现不佳。
• 世界模型的局限：基于视频预测的世界模型（World Models）虽然能预测动态，但缺乏语义理解，且对预测误差很敏感（容易“脑补”出错误的画面）。
• 数据获取困难：纯靠真实机器人收集数据成本太高、长尾场景覆盖不足；纯靠模拟数据又存在“仿真到现实（sim-to-real）”的差距。

核心方法：关键技术、模型或研究设计（简要）

• 统一架构：采用MoT（Mixture-of-Transformers）架构，包含三个专家模块：理解专家（处理视觉语言）、生成专家（预测未来画面/物理动态）、动作专家（输出控制指令）。
• 混合数据策略：构建“数据金字塔”，结合大规模开源真实数据（AgiBot-World）和高保真合成数据（InternData-A1），兼顾物理真实性和场景多样性。

🔍 深入了解部分

相比前人创新在哪里

• 架构创新：不同于以往将“理解”和“预测”割裂的做法，InternVLA-A1 在一个统一的模型中通过掩码自注意力机制，让三个专家模块（理解、生成、动作）顺序协作，实现了语义推理与物理预测的深度融合。
• 效率与效果平衡：解决了传统视频生成模型推理速度慢的问题，通过优化的生成专家实现了实时（约13Hz）的视觉预演和动作生成。

解决方法/算法的通俗解释
你可以把这个模型想象成一个“会预演的机器人”。

1. 看和听（理解专家）：先看一眼当前的环境，听懂你的指令。
2. 脑内小剧场（生成专家）：在动手前，它先在脑子里快速“播放”一下接下来几秒画面会变成什么样（比如手伸过去物体怎么移动）。
3. 动手（动作专家）：结合刚才的“脑内预演”，计算出最精确的电机控制指令去执行动作。如果预演发现会撞到东西，它就会调整动作。

解决方法的具体做法

• 模型结构：
  • 理解专家：基于 InternVL3 或 Qwen3-VL，处理图像和文本。
  • 生成专家：使用 VAE（变分自编码器）将图像压缩为潜空间特征，预测未来的潜变量。
  • 动作专家：使用Flow Matching（流匹配）算法，将噪声转化为具体的动作序列。
• 训练流程：
  • 预训练：在混合的合成与真实数据上进行大规模预训练。
  • 后训练：在特定任务的小规模真实数据上进行微调。

基于前人的哪些方法

• 基础模型：基于 InternVL3 和 Qwen3-VL 的架构进行扩展。
• 生成技术：参考了 Janus Pro 的解耦视觉编码策略，以及 Cosmos CI8×8 VAE 的图像 tokenizer。
• 动作学习：采用了 Flow Matching（流匹配）框架来处理动作分布。

实验设置、数据、评估方式

• 数据集：
  • 预训练：InternData-A1（合成数据，63万条轨迹）+ AgiBot-World（真实数据，100万条轨迹）。
  • 微调/测试：12个真实世界任务 + RoboTwin 2.0 仿真基准。
• 硬件：Genie-1, ARX Lift-2, ARX AC One 三种双手机器人。
• 评估方式：在10个通用任务（如叠衣服、扫地）和2个动态专项任务（快递分拣、动态抓取食材）中进行30次重复测试，计算平均成功率。

提到的同类工作

• π₀ (Pi-0)：由 Google 等机构提出，利用互联网规模知识的 VLA 模型。
• GR00T N1.5：NVIDIA 提出的通用人形机器人基础模型。
• RT-1 / RT-2：Google 的机器人 Transformer 模型。
• x-vla：另一项领先的 VLA 架构研究。

和本文相关性最高的3个文献
根据文中引用频率和对比实验，相关性最高的三个文献（或工作）是：

1. π₀ (Pi-0)(Black et al., 2024)：本文最主要的对比基准之一，文中多次提到 InternVLA-A1 在各项任务中超越了 π₀ 的表现。
2. GR00T N1 / N1.5(Bjorck et al., 2025)：本文最主要的对比基准之一，特别是在人形/通用机器人领域的对标模型。
3. InternData-A1(Tian et al., 2025b)：本文作者团队之前的工作，是本文模型预训练数据的核心来源，对本文的成功至关重要。