北大新作EvoVLA：大幅降低机器人幻觉，长序列成功率暴涨10%

具身智能（Embodied AI）正处于爆发前夜。

从谷歌的 RT-X 到开源社区的 OpenVLA，通才机器人策略（Generalist Robot Policies）展现出了惊人的零样本泛化能力。然而，当我们将目光从简单的「抓取-放置」转向需要数十个步骤的长程操作任务（Long-horizon Manipulation）时，现有的 VLA 模型却暴露出一个尴尬的致命弱点：

它们学会了「作弊」。

在长序列任务中，VLA模型经常会出现一种被称为「阶段性幻觉」（Stage Hallucination）的现象。

简单来说，就是机器人「明明没做完，却以为自己做完了」。

例如，在搭建积木桥时，只要机械臂移动到了目标附近，即便方块滑落、没对齐或者根本没夹住，基于视觉语言模型（VLM）的评估系统往往会因为视觉上的相似性（"看起来像是在操作"），给出一个很高的预测分数。

这种「高分低能」的现象，导致机器人自信地跳过当前步骤进入下一阶段，最终导致整个任务的崩溃。这就好比一个学生只写了「解：」字，就以为自己做完了整道大题。

针对这一痛点，来自北京大学的研究团队（第一作者：刘择霆，杨子达，指导老师：唐浩，张泽宇）提出了一种全新的自监督VLA框架EvoVLA。

论文链接： https://arxiv.org/abs/2511.16166v1

项目主页： https://aigeeksgroup.github.io/EvoVLA

代码仓库： https://github.com/AIGeeksGroup/EvoVLA

EvoVLA不仅在仿真环境中表现出色，更通过Sim2Real成功部署在真实机器人上，平均成功率达到54.6%，超越 OpenVLA-OFT 11.0个百分点。

EvoVLA框架总览与核心任务展示（Block Bridge, Stack, Cup Stacking）

该项目由北京大学唐浩课题组完成，第一作者为刘择霆，杨子达，张泽宇。

EvoVLA：AI教AI

让模型在「自省」中进化

为了治好机器人的「白日梦」，EvoVLA在OpenVLA-OFT的架构之上，引入了三个协同工作的核心模块，实现了一种自监督强化学习（SSRL）的闭环。

阶段对齐奖励（SAR）：Gemini 老师的「错题集」

这是EvoVLA解决幻觉问题的杀手锏。

传统的奖励函数往往很稀疏（只有成功/失败），或者基于像素变化（容易被背景干扰）。

EvoVLA创造性地设计了一套数据引擎，利用强大的Gemini 2.5 Pro对演示视频进行语义理解和切分，生成了包含70+个阶段的详细描述。

更绝的是，为了防止模型「走捷径」，团队引入了三元组对比学习，特别是构建了「硬负样本」（Hard Negative）。

• 正样本（Positive）， 任务完成的准确描述（如「夹爪闭合且稳定抓取方块」）。

• 负样本（Negative）， 明显的失败状态。

• 硬负样本（Hard Negative）： 这是关键！ 描述那些「差一点就成功」的状态（如「夹爪在目标附近但未接触」，或「抓住了错误的物体」）。

EvoVLA数据引擎，展示Gemini如何生成Positive, Negative和Hard Negative文本描述

通过这种方式，Gemini化身为「严厉的老师」，专门出这种易混淆的「陷阱题」给VLA模型做。模型被迫去学习区分「真正完成」和「看起来像完成」，从而获得密集的、语义一致的内在奖励信号。

基于姿态的物体探索（POE）：告别像素干扰

机器人不仅要会判断对错，还要有探索未知的好奇心（Curiosity）。

传统的内在好奇心奖励通常基于像素预测误差——即「如果我看到的画面和预测的不一样，我就很兴奋」。

但在复杂的机器人场景中，影子的移动、光照的变化甚至背景的噪点都会带来巨大的预测误差，导致机器人像个好奇宝宝一样去探索无意义的视觉噪声。

EvoVLA提出了POE（Pose-Based Object Exploration），训练了一个轻量级的世界模型，不再预测图像像素，而是预测相对几何姿态（Gripper-Object Pose）。

这意味着机器人的好奇心被引导去探索「如何改变物体与夹爪的相对位置」（比如怎么旋转、怎么靠近），而非「图像像素变了多少」。

这使得探索过程极其高效，专注于操作任务本身的几何结构。

长程记忆机制（Long-Horizon Memory）

面对几十步的操作，机器人很容易「捡了芝麻丢了西瓜」。简单的平均或截断历史信息会导致灾难性遗忘。

EvoVLA并没有简单地压缩历史，而是采用了一种基于注意力的上下文选择（Context Selection）机制。

它从历史库中检索Top-K最相关的Token，并通过门控机制融合到当前状态和奖励中。

这就像人类在做复杂任务时，只回忆那些对当下决策有用的关键步骤（比如「刚才我已经拿到了A零件」），而不是事无巨细地回放整个人生录像。

Discoverse-L：长程操作的新基准

为了验证长程能力，团队并没有满足于简单的已有任务，而是提出了Discoverse-L基准测试，包含三个难度递增的任务：

1. Stack（堆叠）： 18个阶段，不仅要叠高，还要精确对齐。

2. Jujube-Cup（红枣入杯）： 19个阶段，涉及多物体交互。

3. Block Bridge（搭桥）： 74个阶段！ 需要放置两个桥墩并填充中间，极其考验长期规划和稳定性。

实验结果：SOTA级的提升

实验在仿真环境和真机上双线进行，结果令人振奋。

仿真环境碾压

成功率：平均达到69.2%（相比最强基准OpenVLA-OFT的59.0%提升了10.2%）。

样本效率：达到50%成功率所需的训练步数减少了1.5倍。

幻觉消除：阶段幻觉率（HR）从38.5% 大幅降至14.8%。

EvoVLA在三个任务上对比OpenVLA等基线的成功率提升

Sim2Real真机泛化

在AIRBOT-Play机器人上的部署更加令人印象深刻，EvoVLA展示了极强的Sim2Real泛化能力。

特别是在一个从未见过的「堆叠+插入」（Stack with Insertion）任务中，通过少量的真机微调，EvoVLA达到了55.2%的成功率，比OpenVLA-OFT高出13.4%，甚至比最新的

架构高出16.9%

机器人实际操作Block Bridge或Stack的过程

定性分析显示，基准模型经常在接触方块前就过早张开夹爪（幻觉导致），而EvoVLA则能精准地等到接触后才进行操作，动作极其稳定，仿佛真的「看懂」了任务。

结语

EvoVLA的出现，为解决VLA模型在长程任务中的可靠性问题提供了一个优雅的解法。

它证明了：更好的奖励设计（SAR）+ 更本质的探索机制（POE）+ 更聪明的记忆（Memory），可以让大模型在具身智能领域走得更远。

这种利用大语言模型（Gemini）来生成「错题集」从而反哺策略学习的「自我进化」范式，或许正是通往通用机器人自主学习的关键一步。

作者信息

刘择霆是青岛大学自动化学院控制工程在读硕士，师从葛树志院士（新加坡工程院院士）。研究方向聚焦于具身智能、RL4VLA、端侧VLA模型。曾参与多项科研项目，致力于构建通用机器人操作基础模型。

杨子达是北京大学光华管理学院管理科学与信息系统系在读博士，专注于推动"可解释的跨模态和具身智能"前沿研究。研究方向聚焦于具身智能、RL4VLA、3D导航、VLA模型的结构化推理与多模态认知计算，致力于构建兼具高层语义理解与底层精细控制的通用智能体框架。研究成果已应用于真实四足机器人与多模态情感分析系统。期待与同行共同探索下一代智能体的认知架构与工程实践。

张泽宇是Richard Hartley教授和Ian Reid教授指导的本科研究员。他的研究兴趣扎根于计算机视觉领域，专注于探索几何生成建模与前沿基础模型之间的潜在联系。张泽宇在多个研究领域拥有丰富的经验，积极探索人工智能基础和应用领域的前沿进展。

唐浩现任北京大学计算机学院助理教授 / 研究员、博士生导师、博雅和未名青年学者，入选国家级海外高水平人才计划。曾获国家优秀自费留学生奖学金，连续三年入选斯坦福大学全球前2%顶尖科学家榜单。他曾在美国卡耐基梅隆大学、苏黎世联邦理工学院、英国牛津大学和意大利特伦托大学工作和学习。长期致力于人工智能领域的研究，在国际顶级期刊与会议发表论文 100 余篇，相关成果被引用超过12000次。曾获ACM Multimedia最佳论文提名奖，现任ICLR 2026、ACL 2025、EMNLP 2025、ACM MM 2025领域主席及多个人工智能会议和期刊审稿人。更多信息参见个人主页： https://ha0tang.github.io/

参考资料：

[1] Liu Z, Yang Z, Zhang Z, et al. EvoVLA: Self-Evolving Vision-Language-Action Model[J]. arXiv preprint arXiv:2511.16166, 2025. 

[2] Kim, M. J., et al. "OpenVLA: An open-source vision-language-action model". CoRL, 2025

文章来自于微信公众号 “新智元”，作者 “新智元”