SPARK-VLA：空间表征蒸馏与知识路由

2026年11月10日，arXiv Robotics 刊出 Jungin Park 等作者的论文，提出 SPARK-VLA 视觉-语言-动作模型框架。该框架通过空间表征蒸馏与知识路由，使视觉-语言-动作模型无需在推理时输入外部 3D 数据即可获得空间理解能力：用冻结的 3D 专家模型向 LoRA 视觉分支迁移 3D 理解，并以轻量知识路由器按动作损失梯度筛选与动作相关的视觉 token 送入语言模型。报道称，在 LIBERO、LIBERO-Plus、CALVIN 及真实机器人操作任务上，该框架仅用 0.5B 语言骨干、约 53M 可训练参数即取得强劲表现。目前尚无后续跟进报道，上述性能均为论文方自述，未见独立验证。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。