Paper: Learning Affordances at Inference-Time for Vision-Language-Action Models

**中文标题：** 视觉-语言-动作模型的推理时间可供性学习

**作者机构：** Ameesh Shah¹, William Chen¹, Adwait Godbole¹, Federico Mora¹, Sanjit A. Seshia¹, Sergey Levine¹,² (加州大学伯克利分校)

**论文地址：** https://arxiv.org/pdf/2510.19752v1

**项目地址：** https://liten-vla.github.io/

**论文贡献：**

* **提出LITEN方法：** 论文引入了一种名为LITEN（Learning from Inference-Time Execution）的推理时间学习方法。该方法将低级VLA策略与高级VLM结合，通过在上下文中包含过去的经验，使VLM能够学习低级VLA的可供性和能力。
* **两阶段迭代自完善：** LITEN采用两阶段迭代方法进行自完善：推理阶段生成并执行低级VLA的计划，评估阶段反思执行结果并提取有用的结论，这些结论会被纳入未来的推理上下文。
* **处理非结构化真实世界数据：** 与现有依赖精确模拟或计算环境反馈的自完善方法不同，LITEN能够处理非结构化的真实世界机器人轨迹（例如原始视频），并通过结构化引导在评估过程中得出有意义的结论。
* **无需额外训练：** LITEN的关键优势在于它不需要额外的训练，并且可以与现成的VLM和VLA配合使用。这使得该方法具有广泛的适用性。
* **实验验证有效性：** 论文在DROID Franka机器人设置上的一系列长程操作任务中验证了LITEN的有效性。实验结果表明，LITEN能够通过重复尝试任务，有效地从过去的经验中学习，并持续改进其规划能力，优于未针对真实世界机器人设计的基线方法。