当前主流的VLA(视觉-语言-动作)模型虽然完成了图像、语言与动作的初步对齐,但在实际场景中泛化能力极差。比如机器人可能记住了100种拉拉链的轨迹,但只要拉链角度偏转15度或光照发生变化,模型就会失效——因为它只是在玩“连连看”,并不理解背后的物理逻辑。
LaST-R1的核心突破是放弃了低效的语言思维链(CoT),转而引入面向机器人操作的隐空间物理推理链。它不再让机器人看到图像就直接输出动作,而是先在隐空间里建模场景的结构、物体的物理关系和未来的动态变化。为了实现这个目标,团队提出了LAPO算法,首次将环境反馈同时作用于动作优化和隐空间推理优化,让机器人真正学会“怎么想”和“怎么动”。
这项工作的基座模型LaST₀已经中稿ICML 2026 Spotlight(top 2.2%)。它意味着具身智能的范式正在从“模仿轨迹”向“物理推理”演进——如果你关注机器人应用开发,这个方向值得密切跟进。
前往 DeepSeek 体验
消息来源:DeepSeek 官方公告 · 本站快讯组整理