当前主流的VLA模型因视觉注意力弥散，常在抓取任务中抓错物体。香港科技大学与西湖大学等团队提出的ReconVLA模型，通过引入“隐式定位”训练范式，迫使模型在训练中聚焦目标区域，显著提升了操作精准度，为具身智能发展提供了新思路。
智能速览
AAAI 2026杰出论文奖研究成果，直击机器人操作核心痛点。
传统VLA模型存在注意力弥散问题，导致任务执行失误率高。
ReconVLA创新性引入“隐式定位”，通过重建目标区域强制模型聚焦。
该方法不增加推理延迟，在多项基准测试中成功率提升超20%。
模型具备优秀的泛化能力，能有效处理训练中未见过的物体。
精华内容
为何简单的抓取任务，机器人却频频出错？关键在于其视觉注意力未能精准对焦。一项新研究从人类的“凝视”行为中获得灵感，提出了根本性的解决思路。
注意力困境
当前主流的VLA模型在执行抓取任务时，普遍存在视觉注意力弥散的问题。这意味着模型虽然能输出动作，但其注意力并未真正聚焦于指令所指的目标。这种错位直接导致机器人操作失误，比如在多物体环境中抓取错误物品。其根源在于，作为模型主干的VLM侧重于图像的语义理解，而非机器人操作所需的“操作可供性”感知，二者之间存在显著的领域差异。因此，在场景变得杂乱时，模型往往“看到物体就抓”，未能与人类意图对齐。
隐式凝视
为解决此问题，ReconVLA模型借鉴了人类执行精细操作时的“凝视”机制，提出“隐式定位”训练范式。其核心在于训练阶段引入一个辅助任务：重建目标操作区域的图像。模型需要输出包含目标区域细粒度信息的视觉特征，再由一个轻量级扩散模块从噪声中恢复出该区域。如果模型未能关注目标，重建就会失败并受到惩罚。这一过程形成了一个反馈回路，迫使模型在编码阶段就将注意力集中到正确位置。该方法在推理时移除了重建模块，不带来额外延迟。
性能飞跃
实验数据验证了ReconVLA的有效性。在具身智能基准测试CALVIN的5步连续任务中，ReconVLA在第5步的成功率达到64.1%，比基线模型的49.0%高出约15个百分点。在“积木堆叠”这一精细操作任务中，成功率从59.3%跃升至79.5%，提升超过20个百分点。真实世界测试也表明，无论是在整理桌面还是叠碗等任务中，ReconVLA均表现出更高的成功率。尤其在对未见物体的测试中，对比方法近乎失效，ReconVLA仍能成功定位并操作，展现了强大的视觉泛化能力。
未来方向
ReconVLA也存在局限，其主要额外成本在于训练阶段，且当前建模仍主要基于二维视觉。在需要高精度三维几何约束的任务中，空间操作精度可能受限。团队已开始探索三维感知建模，并计划将力觉感知等多模态信息整合到同一框架中。对于具身智能的落地，团队认为应先通过强大的基础模型降低部署成本，再结合Agent系统构建具体场景的闭环工作流。半结构化工业装配和商业服务机器人被认为是近期内最具潜力的应用场景。
ReconVLA通过模拟人类的凝视机制，巧妙地解决了VLA模型在机器人操作中的注意力错位问题，显著提升了任务执行的精准度和泛化能力。这不仅是一次技术上的优化，更是推动机器人从“能看会动”向“懂意会做”迈进的关键一步。未来的具身智能机器人将因此变得更可靠、更值得信赖。
