CoT-VLA: 面向视觉-语言-动作模型的视觉思维链推理

CVPR 25 2025 55.3 method

TLDR

通过自回归预测未来帧作为目标，将视觉思维链推理引入VLA，提升操作性能。

评分理由

The paper presents a novel method for incorporating explicit visual reasoning into VLAs, achieving strong empirical results in both real-world and simulated tasks. However, it does not explicitly frame its contribution as a world model, and the abstract lacks detailed analysis of limitations or comparisons to world model approaches.

Read-first 评分解释

综合优先阅读分 55.3，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 27。

方法质量 25%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：基线、基准、评估、实验、结果

近期性 8%

86.7

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2025

主题相关性 42%

38.6

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

可复现性 25%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：GitHub

研究版图角色

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：432。

关键词评分

world dynamics prediction

world model

video world model

generative world model

world simulator

interactive world model

model-based reinforcement learning world model

深度分析

创新点

通过自回归预测未来图像帧作为视觉目标，在生成动作序列之前进行显式视觉思维链推理，用于视觉-语言-动作模型。
一个统一的7B参数视觉-语言-动作模型（CoT-VLA），能够联合理解和生成视觉与动作标记。

方法

CoT-VLA通过自回归预测未来图像帧作为视觉目标，然后生成一个短动作序列来实现这些目标，从而融入显式视觉思维链推理。该模型是一个7B参数的VLA，能够处理和生成视觉与动作标记，利用预训练的视觉-语言模型和多样化的机器人演示进行训练。评估在真实世界操作任务和仿真基准上进行，与最先进的VLA基线进行比较。

关键结果

CoT-VLA在真实世界操作任务中比最先进的VLA模型高出17%，在仿真基准中高出6%。

资源

论文项目