ReconVLA是一種重構式視覺-語言-動作模型，旨在解決現有VLA模型難以將視覺注意力精準分配到目標區域的問題。該模型由Wenxuan Song、Ziyang Zhou等人於2025年提出，其採用隱式接地範式，通過擴散變換器重建圖像中對應操作目標的注視區域，以引導模型學習細粒度視覺表征並精確分配注意力。研究團隊構建了包含超過10萬條軌跡和200萬個樣本的大規模預訓練數據集以提升模型泛化能力。該模型在仿真與真實環境實驗中展示了精確操作與泛化能力。
模型概述與定義,技術原理與創新,數據集與實驗驗證,榮譽獎項,相關作品,
模型概述與定義
ReconVLA，全稱“ReconVLA: Reconstructive Vision-Language-Action Model as Effective Robot Perceiver”，是一種重構式視覺-語言-動作模型（VLA）。視覺-語言-動作模型的最新進展使機器人能夠融合多模態理解與動作執行。然而，實證分析表明，當前VLA模型難以將視覺注意力分配到目標區域，其視覺注意力始終處於分散狀態。
為引導視覺注意力正確錨定目標，ReconVLA採用了一種隱式接地（grounding）範式。該方法以模型的視覺輸出為條件，通過一個擴散變換器（diffusion transformer）重建圖像中對應於被操作物體的注視區域（gaze region）。這一重建過程促使VLA模型學習細粒度的表征並精確分配視覺注意力，從而有效利用任務相關的視覺信息進行精確操作。研究團隊構建了一個大規模預訓練數據集，包含來自開源機器人數據集的超過10萬條軌跡和200萬個數據樣本，以提升模型在視覺重建任務中的泛化能力。
該模型的相關論文於2025年發布，並獲得AAAI 2026傑出論文獎。在評審中，ReconVLA論文獲得了88887的高分。
技術原理與創新
當前視覺-語言-動作模型難以將視覺注意力分配到目標區域，其視覺注意力往往處於分散狀態。為此，ReconVLA採用了一種隱式接地範式。該方法以模型的視覺輸出為條件，通過擴散變換器重構圖像中對應於操作目標的注視區域。
這一重構過程促使視覺-語言-動作模型學習細粒度表征並精確分配視覺注意力，從而能夠有效利用任務相關的視覺信息並進行精確操作。此外，ReconVLA使用了一個包含超過10萬條軌跡和200萬數據樣本的大規模預訓練數據集，以提升模型在視覺重建任務中的泛化能力。
數據集與實驗驗證
ReconVLA構建了一個大規模預訓練數據集，包含來自開源機器人數據集的超過10萬條軌跡和200萬個數據樣本。
研究在仿真和真實世界中進行了實驗，展示了該隱式接地方法在精確操作和泛化方面的能力。
該論文在AAAI 2026會議上作為Oral報告發表。
榮譽獎項
在AAAI 2026會議上，論文《ReconVLA: Reconstructive Vision-Language-Action Model as Effective Robot Perceiver》獲得傑出論文獎，評審得分88887分，並被選為口頭報告論文。主要作者為來自香港科技大學(廣州)的宋文軒。
相關作品
在視覺-語言-動作模型領域，有相關工作關注語言和語義標註增強，例如LLaRA。
