4K参数撬动VLA泛化：为何空间表征才是具身智能的终极瓶颈？

在具身智能的演进道路上，我们长期以来陷入了一种路径依赖：认为赋予机器人更强的物理直觉和更丰富的语言理解，就能实现其在开放世界中的通用操作。然而，中山大学与 X-Era AI Lab 团队在 CVPR 2026 上发表的冠军论文揭示了一个被忽视的真相——大多数时候，机器人在新场景下的“失灵”，并非因为它不懂物理定律，而是因为它“看到的空间变形了”。这一发现将具身智能的研究焦点从宏大的语义对齐，拉回了微观但决定性的几何感知层面。

传统视觉-语言-动作模型（VLA）通常被视为一个黑盒，输入图像与指令，输出动作序列。这种端到端的处理方式掩盖了内部模块的功能差异。该研究将 VLA 拆解为两个相对独立的部分：负责从图像中恢复物体位置、朝向及遮挡关系的空间建模模块，以及结合任务语义与空间表征进行高层推理的物理建模模块。当相机视角发生剧烈变化时，真正受到冲击的是空间配置的准确性，而非任务语义本身。如果视觉编码器输出的空间表征存在偏差，后端强大的物理推理模块也无法纠正这一根本性的输入错误。因此，VLA 在新视角、光照变化或纹理干扰下的脆弱性，根源在于空间表征与后端策略之间的错位。

为了验证“空间校准优于全量微调”的假设，研究团队提出了一套极具启发性的轻量级适应框架。他们引入了两种核心机制：特征令牌调制（FTM）与特征线性适应（FLA）。FTM 仅通过两个全局可学习向量，对视觉 token 进行简单的仿射变换，即重新缩放和居中特征分布。令人惊讶的是，仅使用约 4K 个可学习参数，这套机制就将 LIBERO 基准测试中新视角任务的成功率从 48.5% 激增至 87.1%。这一数据有力地证明，对空间表征进行针对性的微小修正，足以解决大部分因视角变化导致的性能衰减。

进一步地，FLA 方法在 ViT 编码器的线性层中引入低秩更新，仅用约 4.7M 参数便实现了更深层的特征对齐，成功率进一步提升至 90.8%，超越了传统 LoRA 基线。更关键的是，FLA 将参数量从原有的 467M 骤降至 4.7M，减少了约 99 倍。在包含相机运动、光照突变、纹理干扰和传感噪声四类扰动的 LIBERO-V 扩展基准上，FLA 取得了 94.8% 的平均成功率，而 FTM 也达到了 90.5%。这些结果清晰地指向一个结论：空间表征是 VLA 泛化链条中的真正瓶颈，且可以通过极低成本的手段得到显著优化。这种“四两拨千斤”的效果，挑战了当前通过堆砌数据和扩大模型规模来提升泛化能力的主流范式。

从更宏观的架构视角来看，空间智能与物理智能的可分离性，为下一代具身模型——原生世界动作模型（Veridical World Action Model, VWA）提供了理论基石。在 VLA 架构中，空间信息往往被视为视觉语义的附属品，物理能力则依赖于动作头在大量数据中的拟合。然而，真实世界的机器人需要的是对几何结构、材质属性、接触状态及因果后果的精准预测。VWA 的核心主张在于重构预训练目标：不再依赖语言或视频模型作为中间跳板，而是直接学习密集的 4D+x 物理预测。这意味着模型需要从预训练阶段就掌握状态、动作与时空演化的内在联系，将机器人动作视为从密集物理预测场中读取的本体轨迹。

这种从“语言/视频预测”向“物理世界预测”的范式转移，意味着预训练目标、表征空间与动作输出必须与物理世界保持一致。当前的 VLA 架构隐含地假设语言知识可以自然迁移为动作能力，但这在复杂的物理交互中往往失效。VWA 试图弥补这一错位，强调智能体必须在几何到物理再到动作的统一系统中，直接学习真实世界的演化规律。只有当模型能够预测动作导致的未来世界状态，包括三维位置的变动和接触力的分布时，真正的通用物理智能才得以诞生。

此外，该研究荣获首届 CVPR Compute Transparency Champion Award，这不仅是对技术突破的认可，更是对科研透明度的倡导。在具身智能领域，模型的可复现性与计算资源的透明报告同样重要。研究团队公开了详细的实验设置、参数量统计及复现细节，为社区提供了示范。这种透明性不仅有助于验证“空间校准”的有效性，也为后续构建原生世界动作模型奠定了基础。它提醒我们，智能模型的进化不仅依赖于算法的创新，更依赖于对训练过程、评估标准及计算代价的清晰认知。

随着空间建模与物理建模分离理论的深入，具身智能的开发正从盲目堆叠参数转向精细的结构优化。4K 参数带来的巨大增益表明，我们对世界本质的理解可能比想象中更简单，但也更苛刻。未来的智能体不再需要庞大的语言头来“想象”世界，而是需要精准的几何头来“测量”世界。这一转变不仅降低了部署成本，更提升了机器人在动态环境中的鲁棒性与安全性。对于工业界而言，这意味着可以更快地部署具备高泛化能力的视觉-动作系统，而无需依赖昂贵的全量微调。对于学术界而言，这开辟了从几何感知入手解决长尾场景问题的新路径。空间，才是连接数字智能与物理世界的真正桥梁。