VLA-Adapter论文解读（二）：三大关键发现
论文链接：[2509.09372] VLA-Adapter: An Effective Paradigm for Tiny-Scale Vision-Language-Action ModelAbstract page for arXiv paper 2509.09372: VLA-Adapter: An Effective Paradigm for Tiny-Scale Vision-Language-Action Modelhttps://arxiv.org/abs/2509.09372
项目主页：VLA-Adapter
一、引言
尽管现有的VLA模型设计当中均采用了VL到A的各种桥接范式，但是关于‘如何将VL表征映射到动作空间’是一个核心问题。目前几乎所有的方法都默认使用VLM最后一层特征作为动作生成的输入。然而，动作生成与图文检索有着本质的不同，动作需要细粒度的空间信息，而深层特征为了服务语义理解，已经丢失了这些细节。因此，论文作者详细探究了以下两个问题：
问题一：VLM内部的哪一层特征对Policy网络更有效？
问题二：ActionQuery特征是否比Raw特征更好的选择？
这两个问题属于论文的核心驱动，作者通过回答了这两个问题，得到了上一节提到的“三大关键发现”，并最终确定了VLA-Adapter的架构设计。
二、实验设计
2.1 两类特征
| 特征类型 | 符号 | 来源 | 特点 |
| Raw特征 | VLM前向传播的中间层输出 | 来自预训练VLM， 被动提供 | |
| ActionQuery特征 | 可学习token插入VLM末尾 | 从零训练，主动优化 |
2.2 四种条件配置
| 配置 | 特征类型 | 层级 | 图示对应 |
| a | Raw | 单层（分别测试第1、8、9、13、17、21、24层） | 图a |
| b | AQ | 单层（分别测试第1、8、13、17、21、24层） | 图b |
| c | Raw | 全层（1-24层逐层对齐） | 图c |
| d | AQ | 全层（1-24层逐层对齐） | 图d |
2.3 评估基准：LIBERO-Long
论文的VLA-Adapter框架在LIBERO-Long中评估了四种条件，图中蓝色和绿色线条分别表示为单层和单层
。蓝色和绿色柱状图分别为全层
和全层
。
三、三大关键发现
- 发现一：Raw特征中间层最优
| Raw层数 | 10任务平均成功率 | Subtask 7 | Subtask 9 |
| 1 | 87.6% | 78% | 92% |
| 8 | 89.8% | 94% | 84% |
| 9-13 | 88-90% | 82-90% | 74-84% |
| 24 | 85.8% | 88% | 56% |
| 全层融合 | 96.6% | 96% | 96% |
中间层效果最好，浅层信息太原始，缺少语义；深层过于抽象，丢失了空间细节。动作生成需要在‘看得清’和‘看得懂’之间找到平衡——中间层恰好提供了平衡点。
- 发现二：AQ特征深层层最优
| AQ层数 | 10任务平均成功率 | Subtask 7 | Subtask 9 |
| 1 | 78.2% | 76% | 78% |
| 13 | 86.8% | 66% | 58% |
| 24 | 90.2% | 74% | 84% |
| 全层融合 | 92.6% | 96% | 96% |
AQ是从零开始学习的可查询tokjen，它需要经过足够多的Transformer层才能充分聚合多模态信息。
- 发现三：多层特征>单层特征
| 特征类型 | 单层最优 | 全层融合 | 提升幅度 |
| Raw | 89.8% | 96.6% | +6.8% |
| AQ | 90.2% | 92.6% | +2.4% |
全层融合性能更好，更稳健——避免了单层在某些任务上表现极差的风险，还省去了手工选层的麻烦。
四、总结
VLA-Adpter的三大关键发现：动作生成需要‘中间层的视觉细节’+‘深层的任务语义’+‘全层的丰富信息’——三者缺一不可。这三条发现可以直接推导出Bridge Attention的设计，并且也解释了为什么0.5B模型可以跑出SOTA性能的原因。