在VLA-Adapter论文中，L1策略网络（L1-based Policy）指的是采用L1损失函数进行训练，以直接回归方式生成连续动作的策略网络。它是VLA-Adapter最终采用的动作生成模块，与基于扩散模型的DiT策略网络形成对比。VLA-Adapter框架中的策略网络（Policy Network）负责将VLM提供的条件特征转化为可执行的动作指令。输入为以及；输出长度为8的动作块，即未来8

Bridge Attention本质上是让动作生成从“被动接收最后一层特征”升级为“主动查询全层条件特征”。动作同时查询Raw特征（获取视觉细节）、AQ特征（获取任务语义）、和自身历史（获取时间连贯性）；Raw带可学习的门控单元tanh(g)，AQ完全注入（完全可信）；策略的每一层都需要主动访问VLM对应层的特征，而非被动接收最后一层的“压缩摘要”。

如果仅通过VMware部署Linux操作系统，无需勾选WHP；仅在需要WSL2、Docker Desktop或Hyper-V等功能时再启用。点击Free Software Downloads available。

如果仅通过VMware部署Linux操作系统，无需勾选WHP；仅在需要WSL2、Docker Desktop或Hyper-V等功能时再启用。点击Free Software Downloads available。