Vision-Language-Action (VLA) 模型将自然语言命令转化为机器人动作序列，但在 LIBERO-Plus 鲁棒性基准上，领先的系统使用三到七十亿参数的主干，超出了嵌入式机器人的内存预算。我们提出了 CoTinyVLA，一个基于 Qwen3.5-0.8B 的 0.9B 参数行动模型，通过结构化监督而非扩大模型来实现鲁棒性。
CoTinyVLA 主要包含三个组件，针对问题的不同方面：
- 双视角时间输入：每一步使用 16 个历史帧，并带有文本相机和时间标记；
- 层次思维链（CoT）蒸馏：从 35B 教师模型进行蒸馏，生成针对任务阶段、夹持器状态和下一个子动作的集成级计划和块级思考；
- 释义增强：将 40 个基础命令扩展为 800 个变体。
在 LIBERO-Plus 上，涵盖 10,030 个扰动任务，跨越七个扰动维度，CoTinyVLA 在空间、对象、目标和长期任务上分别达到了 90.8%、87.3%、86.6% 和 80.7%，在所有四个套件中领先于最强的 7B 基线，分别提高了 4.7、2.8、15.9 和 3.0 分，每个间隔均不包括零。收益集中于基准的最困难轴：在发布的十一条基线中，没有一条在任何套件中超过 53.2% 的机器人初始状态，而 CoTinyVLA 在目标上达到了 73.6%，而最强基线为 39.9%。消融实验表明，这三个组件可通过扰动轴分离，且在相同的图像预算下，帧如何在两个相机之间和跨时间分配单独贡献了 8.6 分。闭环推理的 GPU 内存峰值为 2.25 GiB，配对干预显示集成级计划是承载负载：用空或矛盾的跨度替换它会损失 40 到 45 分的成功率。因此，结构化监督使得 0.9B 的主干超越了所有基线。
代码链接：CoTinyVLA GitHub
博主点评： CoTinyVLA 展示了通过结构化监督显著提高小型模型性能的潜力，尤其是在资源受限的环境中。其创新的思维链蒸馏方法为未来的机器人学习提供了新思路，值得深入研究与应用。