这篇文章最大的创新点在于将3D点云信息作为补充条件送入模型，而不是DP3一样只用纯3D数据从头训练模型，按照作者的说法这样可以在保留模型原有2D解释能力的同时添加了其3D能力，并且可以有效识别真实物体与2D照片，作者设置的各种任务中都超越了baseline模型。

是一篇关于灵巧手抓取的VLA模型，并创建了一个开源数据集，尽管如此我还是觉得这篇论文内容不够丰满，特别是在模型对比上只和自己进行了消融实验，但文章中的实验却说明了其具备极强的泛化能力。

作者介绍了一个带有触觉信息的TactAR数据采集框架，并创造了一个RDP的快-慢策略网路，快网络用触觉信息实现闭环动作，慢网络用视觉信息提供开环轨迹。

这篇论文是 Nvidia 发表的一篇 VLA 领域的论文，提出了一个名为 VLA-0 架构，该架构采用了一种极其简单但被忽视的策略：将动作直接表示为文本 。它不需要对底层的 VLM 进行任何修改，将机器人的连续动作转换为数值字符串，然后像生成普通文本一样，训练 VLM 直接输出这些动作字符串。但想要实现这一效果还需要 Masked Action Augmentation、Ensemble Pred

这篇文章是对作者先前工作OpenVAL的一个扩展，旨在使用更好的微调方式以提高模型的控制输出频率，在这期间作者发现这种微调方式甚至能让模型获得更强大的泛化，包括双臂操作、多视角输入等。

这篇论文是2025年发表在arxiv上的一篇VLA领域论文，RDT也是做具身的一个必须了解的模型，和OpenVLA、$\pi0$ 这两个模型一样是基本功。

这篇文章是新出的一片 VLA 领域的综述，对现有 VLA 模型进行了分类并分析了整个 VLA 领域存在的局限性，同时给出了一些发展方向的预测。

这篇论文是一篇比较新的（2025年07月02日发表） VLA 领域综述，原文一共 70 页内容，主要是从 Action Tokenization 角度出发进行了一次全面的总结，可以直接将其当作一个字典，其中的表格整理的非常清晰直观。

这篇论文是具身智能领域中一个有关世界模型的综述，因为出的时间比较新（2025年07月01日），所以总体而言是相当全面的，特别是其原图 2、3 直接对比了仿真器支持的功能和渲染能力，图 4 对比了仿真器对关节的支持性等。此外，在方法和效果上也是言简意赅，可以当作一个速查手册。

这篇论文是 Hugging Face 出品的一个 VLA 领域论文，其核心在于提出了一个能在消费级 GPU（文章中只说用了4块，以及 30K小时的GPU时，但没有提用的是哪款GPU）上训练的模型、一个异步推理机制、一台低成本机械臂上达到了和 Pi0 同等的效果。虽然作者在简单任务上验证了他们的模型，但在复杂任务上的实验并没有展开，我貌似也没有看见双臂的实验，因此后续的人可以从这里入手使用他们的方式