为了适配机器人任务，现有VLA模型需要在数量有限的task-specific的数据集上微调，但现有微调范式会覆盖预训练模型中的泛化知识，这导致模型并没有真正“听懂话”，无法泛化到未见指令。本研究指出这一缺陷的根源在于 VLA 数据集的模态不平衡性：语言指令的多样性远低于视觉和动作，这种不平衡促使模型学习“视觉捷径”，优先依赖视觉特征预测动作而忽略语言指令。为此，本研究提出了 BayesVLA, 从贝叶斯分解的角度将VLA 策略分解为视觉‑动作先验（VA Prior）和语言条件似然（VLA Likelihood）在贝叶斯框架下实现“先看后做，再通过指令细化”（Seeing to Act, Prompting to Specify），从结构上缓解模态不平衡和灾难性遗忘，并结合信息论理论证明了视觉捷径的存在及分解方法的有效性。针对机器人物体操作交互的特性，本研究基于pre-contact和post-contact提出了对应的实现。在LIBERO-PRO, 自建仿真benchmark，以及大量真机实验中，相比于Pi0.5，BayesVLA显著提高了对未见指令、物体和环境的泛化能力。
工作相关链接：
1. 主页：https://xukechun.github.io/papers/BayesVLA/
2. 论文链接：https://arxiv.org/pdf/2512.11218
3. 代码链接：https://github.com/xukechun/BayesVLA
