1. 论文基本信息

1.1. 标题

Actions as Language: Fine-Tuning VLMs into VLAs Without Catastrophic Forgetting（将动作表述为语言：在不发生灾难性遗忘的前提下把视觉-语言模型微调为视觉-语言-行动模型）

1.2. 作者

Asher J. Hancock, Xindi Wu, Lihan Zha, Olga Russakovsky, Anirudha Majumdar
隶属：普林斯顿大学（机械与航天工程系、计算机科学系）

1.3. 发表期刊/会议

arXiv 预印本（尚无指向特定会议/期刊的正式出版说明）

1.4. 发表年份

2025 年（arXiv 提交时间：2025-09-26）

1.5. 摘要

论文关注如何把预训练的视觉-语言模型（VLMs）微调为视觉-语言-行动模型（VLAs），而不损害 VLM 的基础视觉与语义推理能力（即避免“灾难性遗忘”）。作者指出主因是：机器人遥操作数据的低层行动空间与 VLM 互联网预训练语料的分布严重不匹配。为此，提出 VLM2VLA：先在数据层面对齐，将低层动作“翻译”为自然语言描述，使微调样本更贴近 VLM 的原始表示分布；随后仅用低秩适配（LoRA）进行参数高效微调，从而尽可能少地扰动主干网络（backbone）参数、无需昂贵的与互联网规模 VLM 任务的联合训练（co-training）。在大量 VQA 测试与超过 800 次真实机器人实验中，VLM2VLA 在保持 VLM 基本能力的同时实现了对新任务的零样本泛化，包括开放世界语义推理与多语言指令遵循。

1.6. 原文链接

• arXiv 页面: https://arxiv.org/abs/2509.22195
• PDF: https://arxiv.org/pdf/2509.22195v1.pdf
• 项目主页（文中给出）: https://vlm2vla.github.io/
• 发表状态：arXiv 预印本

2. 整体概括

2.1. 研究背景与动机

• 问题：如何将大规模互联网数据上预训练的 VLM 微调成能输出机器人动作的 VLA，同时保留其强大的视觉-语言理解与推理能力。现有主流做法常需修改词表/结构或追加动作头并进行全参数微调，易导致对窄域机器人数据过拟合，出现灾难性遗忘（丢失开放世界知识、VQA 能力、多语言能力、对干扰的鲁棒性等）。

• 根因：微调数据（低层连续控制/离散动作符号化）与 VLM 预训练的数据分布（图文）差异大，迫使模型进行大幅参数更新，进而遗忘。

• 核心切入点：在数据层“化解”分布差异——把动作表示（特别是低层末端执行器移动、抓放等）直接用“语言”来表述，使训练分布与 VLM 预训练分布更一致，从而仅用 LoRA 即可有效适配、避免遗忘。

  下图（原文 Figure 2）对比了传统 VLA 和 VLM2VLA 的差异：

  该图像是示意图，展示了三种不同的模型响应同一问题的方式。左侧的Nominal VLM展示了基础视觉语言模型的推理能力，中心的Nominal VLA则显示了在训练数据中低级动作预测的过拟合，右侧的VLM2VLA则展示了如何通过对低级动作进行自然语言表示，保留了模型对潜在安全风险的推理能力。

2.2. 核心贡献/主要发现

• 方法：提出“动作即语言（actions as language）”的分层表示与数据重标注管线（使用 Gemini 2.5 自动把机器人示教轨迹转为高/中/低三层语言标注），并仅用 LoRA 微调 Gemma-3-12B-IT 等 VLM 成为 VLA。
• 发现：
  1. VLM2VLA 在多项标准 VQA 基准上保留了大部分原始 VLM 能力（论文称保持>85%）。
  2. 在真实机械臂（WidowX 250S）上的多项操作任务中，在分布内（ID）表现可与强基线相当；在分布外（OOD）任务（多语言指令、需要开放世界概念如“Ash Ketchum”）上显著领先，显示零样本泛化能力。
  3. Ablation 显示：即使 LoRA 能缓解遗忘，动作表示方式仍影响泛化与 OOD 任务表现；“语言化动作”优于“最不可能词元映射”等离散化方案。

3. 预备知识与相关工作

3.1. 基础概念

• 视觉-语言模型（VLM, Vision-Language Model）：在互联网规模图文对（image-text pairs）上预训练的多模态生成模型，具备视觉理解、语义联想与语言生成能力（如 Prismatic VLM, Gemma-3-IT, Qwen2.5-VL 等）。
• 视觉-语言-行动模型（VLA, Vision-Language-Action Model）：在 VLM 基础上扩展到机器人控制，输入（图像+自然语言指令），输出（动作）。挑战在于将离散词元生成机制对接到连续控制。
• 灾难性遗忘（Catastrophic Forgetting）：在窄域任务上微调导致模型遗失原有广泛知识与能力（如 VQA、多语言理解、开放词汇识别）。
• LoRA（Low-Rank Adaptation）：参数高效微调（PEFT）方法，通过为特定线性层引入低秩矩阵近似的增量更新，冻结原权重、仅更新少量新增参数，显著减少微调扰动与算力成本。
• 行动离散化/词表重映射（Action Tokenization）：将连续动作向量量化、映射到特定词元（一些工作使用“最不可能词元”保留主词表），把动作预测转为自回归的下一个词元预测。
• 链式思维（Chain-of-Thought, CoT）：先生成分解/计划/解释性中间步骤，再执行低层决策，有利于长任务推理与可解释性。
• 注意力（Attention）机制（为理解 Transformer 提供背景）：
  概念上衡量 query 对不同 key 的相似度并对 value 加权，常见公式： $$\mathrm{Attention}(Q,K,V)=\mathrm{softmax}\!\left(\frac{QK^\top}{\sqrt{d_k}}\right)V$$ 符号解释：$Q$（查询）、$K$（键）、$V$（值），$d_k$ 为键的维度。多头注意力将输入投影为多组 Q,K,V 并并行计算。

3.2. 前人工作

• 离散动作词元化流派：将连续动作映射为有限词元集合（如使用最不可能词元）并进行自回归生成（如 OpenVLA、FAST 等）。优点是与语言生成接口一致；缺点是词表/架构修改与全参微调易引发遗忘。
• 连续动作头流派：在 VLM 上加轻量动作头（如扩散模型、flow matching）直接回归连续动作（Octo, DexVLA, π0 等），但新增随机初始化参数会干扰预训练表示，且常需更复杂的训练与联合训练避免遗忘。
• 联合训练（Co-Training）：在机器人数据与大规模 VLM 数据混合训练（RT-2, MolmoAct, ChatVLA 等）以正则化、维持基础能力，但代价高、比例难调。
• 知识隔离与高级训练流程：如 MoE、stop-gradient、分阶段冻结等，减少动作模块梯度对 VLM 的破坏。

3.3. 技术演进与本文定位

技术从“全参微调+结构改造”逐步探索到“参数高效微调+联合数据正则化”再到“高级训练策略保护知识”。本文进一步前移到“数据层面对齐”：把动作用语言表达，让微调分布贴近预训练分布，从而仅用 LoRA 就能有效适配且保留能力，无需联合训练或新增解码头。

3.4. 差异化分析

• 与离散动作词元化：本文不重新分配保留词元或修改词表，而是直接使用自然语言（模型已熟悉）表达步进矢量与抓放。这降低“分布偏移”，使 LoRA 足以完成适配。
• 与连续动作头：本文不新增动作头，避免随机初始化模块破坏预训练表示。
• 与联合训练：本文无需额外互联网规模数据混合，训练更简单、成本更低。
• 与“仅 LoRA 但仍用动作词元”的 ablation：同样 LoRA，语言化动作在 OOD 任务表现显著更好，说明“数据对齐”是关键补充。

4. 方法论

4.1. 方法原理

核心直觉：LoRA 能减少对预训练表征的破坏，但前提是微调数据分布与预训练分布足够接近。传统 VLA 的动作空间（连续矢量或任意词元映射）与互联网图文分布差异巨大，导致需要更猛烈的参数更新。若把“动作转写为自然语言”，预测空间回到模型熟悉的词元与语义结构中，微调只需在局部表示上作低秩调整，即可建立从视觉—语言—动作的映射，同时保留世界知识与推理能力。

下图（原文 Figure 3）显示：在微调前，Gemma-3-12B-IT 对“语言化动作”的对数概率显著高于“映射到最不可能词元的动作标记”，从概率上印证“数据/表示对齐”的优势：

该图像是图表，展示了在 Gemma-3-12B-IT 模型上针对机器人遥控数据进行微调前，动作概率的分布情况。模型对以自然语言表示的动作分配了显著更高的对数概率，相较于通过明确标记修改定义的动作，后者的对数概率显著较低。

4.2. 分层表示：动作即语言（Actions as Language）

作者把每一步控制分解为三层、全部用语言表示和生成（高层/中层/低层），统一在 VLM 的词表与生成框架内：

• 高层子任务 $l_i$：给定观测 $o_i$ 与全局语言指令 $L$，先描述当前应执行的高层子任务（如“移动到胡萝卜”）。

• 中层运动规划 $m_i$：在子任务与观测条件下，生成空间性运动方案，使用方向性语言（如“向下、略向右”），充分利用 VLM 的空间-语言推理能力。

• 低层动作段 $\bar{a}_i$：在子任务与运动方案条件下，输出可直接执行的动作段（action chunk），以列表的语言化指令表示各自由度（本文仅考虑平移和夹爪开合）。

  论文明确给出联合分布分解（原式照录如下）： $$\begin{array} { r } { p _ { \theta } ( \bar { a } _ { i } , m _ { i } , l _ { i } | \bar { o } _ { i } , L ) = \underbrace { p _ { \theta } ( l _ { i } | \bar { o } _ { i } , L ) } _ { \mathrm { 1 ) ~ S u b t a s k } } \underbrace { p _ { \theta } ( m _ { i } | l _ { i } , \bar { o } _ { i } ) } _ { \mathrm { 2 ) ~ M o t i o n } } \underbrace { p _ { \theta } ( \bar { a } _ { i } | m _ { i } , l _ { i } , \bar { o } _ { i } ) } _ { \mathrm { 3 ) ~ A c t i o n } } , } \end{array}$$

• 符号解释：$\theta$ 为策略参数（VLM+LoRA），$\bar{o}_i$ 为观测（RGB 图像），$L$ 为语言指令，$l_i$ 为高层子任务，$m_i$ 为中层运动规划，$\bar{a}_i$ 为低层动作段（语言化的 [dx, dy, dz, gripper] 序列）。

  这种分解让整个策略成为一个标准的“多模态条件语言生成”问题：输入是图像+文本上下文（历史/子任务/运动方案），输出是下一段文本（动作段）。损失函数用标准交叉熵（cross-entropy）对齐目标文本。

4.3. 测试时流程（闭环 + 验证器）

• 初始时用第一张图预测全局子任务列表（一次性生成 $N$ 个子任务）；每个循环基于当前观测、当前子任务 $l_i$ 生成中层运动规划 $m_i$，再生成动作段 $\bar{a}_i$ 并执行。
• 执行后，引入外部“验证器”（Verifier，本文用 Gemini 2.5 Pro）对比执行前后观测与（当前/下个）子任务，判断是否完成当前子任务；若否则重试该子任务，否则进入下一个子任务。
• 该设计在噪声与误差下提升鲁棒性，但牺牲时延（详见 §5.5 与 §6.3）。

4.4. 数据管线：把机器人轨迹翻译成三层语言标注

• 输入数据：来自人类遥操作的轨迹 $\tau=\{(o_t, a_t)\}_{t=0}^T$，带主任务指令 $L$，仅 RGB 观测，无需关节角/绝对位姿（BridgeData v2 子集）。

• 自动标注：用 Gemini 2.5 将每条轨迹分解为 $N$ 个步骤，并给出子任务 $l_i$、运动方案 $m_i$、低层动作段 $\bar{a}_i$ 的语言化描述。为保证空间落地，提示中明确了机器人末端基坐标定义（+x 前、-y 右、+z 上、gripper∈{0 关, 1 开}）。

• 后处理：将细碎的微小步进合并成幅度更大的动作段，避免训练时输出趋近于零的小动作；并构造若干辅助监督（如“是否完成子任务”的正负例、“应向哪个方向移动”的分类信号）。

  下图（原文 Figure 4）展示了数据管线：

  该图像是示意图，展示了VLM2VLA的管道，将现有机器人数据集extbf{D}_{ ext{rob}}注释为自然语言描述的extbf{D}_{ ext{lan}}。使用Gemini 2.5对每个轨迹进行分解，生成子轨迹及其对应的子任务、运动计划和动作片段。

4.5. 训练细节

• 基座模型：Gemma-3-12B-IT（Instruction-Tuned VLM）。
• 优化：仅用 LoRA 适配所有线性模块（q/k/v/o 投影、MLP 上下投影、门控投影等），冻结原权重。损失用交叉熵。
• 框架：HuggingFace TRL + Accelerate + DeepSpeed ZeRO-2，BF16 精度，多卡训练，约 300 GPU 小时，一轮（epoch）即收敛到可用策略（详见附录超参表）。
• 消融：VLM2VLA-AT 将数字 0–9 映射为 Gemma-3 的 10 个“最不可能词元”解码文本，从而把动作也做成“保留词元”的离散生成；除动作表示不同外，其他训练配置一致，用以检验动作表示的重要性。

4.6. 视觉化与示例

• 总体思路图（原文 Figure 1）：

  该图像是示意图，展示了VLM2VLA的数据管道和训练方法，旨在将视觉语言模型（VLM）微调为视觉语言行动（VLA），同时保持感知和推理能力。它说明了如何通过自然语言描述机器人数据以及各要素之间的关系，并突出了多模态理解与操作的能力。

• 多语言 OOD 示意（原文 Figure 7）：

  该图像是一个示意图，展示了VLM2VLA模型如何将用户的指令转化为具体的子任务。根据用户的询问 ('gajar uthao'，意为'捡起胡萝卜')，模型生成了三项子任务：'移动到胡萝卜'、'抓取胡萝卜'和'将胡萝卜抬高'，强调了系统的多语种处理能力。

• 轨迹关键帧（原文 Figure 8）：

  该图像是示意图，展示了观察次数在不同阶段的变化，分别为0、10、20和28次，呈现了机器人在执行任务过程中逐步收集的信息。

5. 实验设置

5.1. 数据集

• 训练数据：BridgeData v2（含自然语言主任务指令的子集），遥操作 RGB 观测 + 相对末端位移/夹爪动作序列。用 Gemini 2.5 自动生成三层语言标注与动作段，并进行后处理与增强，成本约 900 美元。
• 评测数据：
  • 多模态理解（VQA）基准：MMMU、MMStar、MME、OCRBench、MMB-en、MMB-cn、TextVQA、DocVQA、InfoVQA、AI2D、ChartQA、RealWorldQA 等（按原文表格呈现）。
  • 真实机器人操作：WidowX 250S，右侧第三人称 RealSense D435 相机，玩具厨房环境，任务涵盖 ID 与 OOD，多语言与开放世界语义。

5.2. 对比基线

• OpenVLA（7B Prismatic VLM 上微调的大规模策略，基于 Open-X-Embodiment 数据）
• ECoT（Embodied Chain-of-Thought，OpenVLA 变体，先生成推理轨迹再预测动作；本文同样仅在 BridgeData v2 上训练）
• 开源联合训练 VLA：MolmoAct、π0.5（用于 VQA 对比）
• 消融：VLM2VLA-AT（动作词元化），与 VLM2VLA 共享训练流程与数据

5.3. 评估指标

• VQA 基准分数：各数据集原生指标，多为准确率（accuracy）或官方评分。通用定义（供理解）：
  • 概念：衡量模型回答/识别正确的比例。
  • 公式： $$\mathrm{Accuracy}=\frac{\sum_{i=1}^{N}\mathbf{1}\{\hat{y}_i=y_i\}}{N}$$ 符号：$N$ 为样本数，$y_i$ 为真值（Ground Truth）标签，$\hat{y}_i$ 为模型预测，$\mathbf{1}\{\cdot\}$ 为指示函数。
    注：具体数据集（如 DocVQA、ChartQA）可能采用其官方评分与预处理，本文复用其标准实现。
• 机器人任务成功率（Success Rate）：
  • 概念：在一组推演（rollout）中达到任务成功条件的比例；部分任务采用“部分得分”量化阶段性完成度。
  • 公式（成功率）： $$\mathrm{SuccessRate}=\frac{\mathrm{\#~successful~trials}}{\mathrm{\#~total~trials}}$$
  • 公式（带部分得分的平均归一化得分）： $$\mathrm{NormalizedScore}=\frac{1}{N}\sum_{i=1}^{N}\frac{s_i}{s_{\max}}$$ 符号：$s_i$ 为第 $i$ 次试验的得分，$s_{\max}$ 为该任务定义的最高分，$N$ 为试验次数。
  • 评分细则：文中详述了不同任务的部分得分标准（如“接触到目标物体”计部分分，“放到盘子上”再加分等），同时区分“规划型策略（如 ECoT/VLM2VLA）”是否写对了文本计划。

5.4. 推理与提示词（Prompting）

• 三阶段解码：子任务分解（温度 0.5/1.0 视 ID/OOD）、运动规划（温度 0.1）、动作段生成（温度 0.5）；Top-p=0.95。
• Verifier（Gemini 2.5 Pro）提示明确“预条件判断”规则，严格对齐与夹爪居中等精度判据。
• 基线按其官方推荐提示格式做了同等程度优化。

5.5. 硬件与安全

• 机器人：WidowX 250S（6 DoF），固定初始位姿，带安全过滤（例如接触台面/墙面时向下/向前动作被抑制）。
• 每任务 30 次推演，位置与干扰物布局在定义范围内随机化。
• 延迟统计：A100 上测得单次“运动规划+动作段生成”中位数约 6.1 s，偶发重试会拉长到 >45 s（详见 §6.3）。

6. 实验结果与分析

6.1. 多模态理解（VQA）：保能力对比

以下是原文 Table 1 的结果（注意：源表排版存在合并/空列等不规则之处，现按原文逐元抄录为 HTML，以尽量忠实呈现其结构与内容）：

观察与结论：

• OpenVLA/ECoT 相对其 Prismatic VLM 基座在 VQA 上普遍显著下降（灾难性遗忘）；而 VLM2VLA 在多项基准上“只小幅下降”，保持了强 VQA 能力。
• 与联合训练的 MolmoAct、π0.5 对比：VLM2VLA（12B）整体分数更高，显示无需联合训练也能保留能力且具竞争力（模型规模是混杂变量，需谨慎解读）。

6.2. 机器人操作：ID/OOD 表现

• 任务设置：
  • ID：抓取胡萝卜（Pick Up）、把胡萝卜放到黄盘子（Pick & Place）
  • 近 ID（组合长链）：把茄子放进平底锅再抬起鱼（Pick, Place, and Lift）
  • OOD-多语言：西/中/印地语“捡起胡萝卜”
  • OOD-开放语义：捡起“Ash Ketchum”上方的物体（需识别流行文化形象+空间关系）
• 结果趋势（文中 Figure 5/6/7 支撑）：

  • ID：OpenVLA 在基础抓取/放置有优势（大规模数据学到更多通用抓取技巧），VLM2VLA 不落后太多。

  • 组合长链：OpenVLA 往往完成第一步后卡住；ECoT 计划正确但执行偏弱；VLM2VLA 兼具正确分解与更稳定执行。

  • OOD 多语言与开放语义：VLM2VLA 明显领先，其子任务分解常能“翻译并锁定胡萝卜”，或识别“Ash Ketchum”并执行正确空间关系；VLM2VLA-AT（动作词元化）在这些 OOD 任务显著落后。

    下图（原文 Figure 5）比较了各模型在五类任务上的成功率：

    该图像是一个示意图，展示了不同模型在机器人任务中的表现，包括 OpenVLA、ECoT、VLM2VLA-AT 和 VLM2VLA。图中展示了五种任务的表现百分比，其中 VLM2VLA 在多个任务中表现最佳，特别是在 'Pick Up - T' 和 'Pick Up - A' 任务中。

下图（原文 Figure 6）量化了在 OOD 任务上的“任务分解正确性”（识别正确物体/目的地即得分）：

该图像是柱状图，展示了不同方法在 OOD 操作任务上的成功率（%）。ECoT、VLM2VLA-AT 和 VLM2VLA 的成功率分别为 93%、97% 和相应的任务对象。详细数据可见附录 C.3。

下图（原文 Figure 7）展示了 VLM2VLA 的零样本多语言能力示例：

该图像是一个示意图，展示了VLM2VLA模型如何将用户的指令转化为具体的子任务。根据用户的询问 ('gajar uthao'，意为'捡起胡萝卜')，模型生成了三项子任务：'移动到胡萝卜'、'抓取胡萝卜'和'将胡萝卜抬高'，强调了系统的多语种处理能力。

结论：VLM2VLA 在 OOD 条件下的优势，来自其更好地保留了 VLM 的多语言与开放世界知识，加之用语言表达的中层规划增强了可解释性与可控性；而动作语言化进一步减少了“语言世界”与“控制世界”的鸿沟。

6.3. 消融：动作表示的重要性与时延

• VLM2VLA-AT（动作词元化）与 VLM2VLA 同为 LoRA 微调，VQA 能力都得以保留，说明“LoRA 可缓解遗忘”。但在机器人 OOD 任务，VLM2VLA-AT 明显落后，表明“动作如何表示”对“把 VLM 世界知识转化为可执行控制”至关重要。“语言化动作”更自然接入了模型的数值概念与空间语言表示。

• 推理时延（原文 Table 3）：单周期（运动规划+动作生成）中位数约 6.1s，重试与输出格式问题会拉长尾部；提示未来应优化解码/缓存/鲁棒输出格式，或让验证器内化到单模型中减少交互。

  以下是原文 Table 3 的结果（原表存在明显排版/内容错位，现忠实抄录，提醒读者注意其不一致性）：

  Statistic

  Median

  Mean (Average)

  10.5 [s] Standard Deviation 14.3 [s]

  Interquartile Range (IQR) 5.0 - 6.7 [s]

  3.8 [s]

  48.8 [s]

（按论文正文解读：中位数约 6.1 s，标准差约 14.3 s，存在 >45 s 长尾个例，IQR 较小。）

7. 总结与思考

7.1. 结论总结

• 提出 VLM2VLA：把“机器人动作表示语言化”，用数据层面对齐化解 VLM 预训练分布与机器人微调分布的错配，仅用 LoRA 即可有效适配成 VLA。
• 保能力：在多项 VQA 基准上仅轻微下降，显著优于常见的结构改造+全参微调方案。
• 控制与泛化：在真实机器人实验中，ID 表现可与强基线媲美；在 OOD（多语言/开放语义/组合长链）上显著领先，展示零样本泛化与多语种指令理解。
• 消融：即使都用 LoRA，动作语言化在 OOD 控制任务明显优于“最不可能词元映射”，说明数据表示与预训练分布对齐的关键性。

7.2. 局限性与未来工作（论文所述）

• 时延：自回归三阶段生成+外部验证器，单周期 6 s 量级；需更快的解码/缓存策略或把验证内化。
• 任务范围：当前仅做平移与夹爪开合，旋转与精细操作未覆盖；中层规划文字较粗糙，未来可更细粒度。
• 跨机体泛化：当前限于特定机械臂与控制接口；作者设想用语言作为“通用中介”描述不同机体动作，潜在实现跨机体策略。
• 验证器依赖：目前用外部 Gemini 作为 verifier，未来希望把该能力融入单模型闭环。
• 规模化：计划用更大机器人数据集按本文流程扩展，进一步提升开放世界泛化与指令遵循。

7.3. 个人启发与批判性思考

• 数据层对齐的普适性：本文的核心思想（把低层控制语言化）在其它嵌入式/控制任务中也可能有效，如移动机器人导航（“前进 X 米，左转 Y 度”）或多臂协作（“右臂保持 X，左臂下压 Z”），值得系统性探究“语言化中间表征”的上限与边界。

• 精度与可微性：语言化动作的优点是对齐预训练分布与可解释，但连续控制的“精度/稳定性/可微优化”可能受限于离散文本解码，如何在保证精度的同时保持语言桥梁，是重要开放问题（例如把语言与可微控制器以可学习接口耦合）。

• 标注质量与成本：依赖强大闭源模型（Gemini）进行大规模自动标注，标注一致性、偏差与可复现性是潜在风险；但作者报告了抽查与成本，未来可探索开源替代或自监督对齐。

• 评测覆盖与难度：OOD 任务虽有代表性，但总体规模相对有限，且使用特定环境与物体集。更大规模、多机体、多场景、多语言的系统性评测将更有说服力。

• 安全与稳健：虽然引入验证器与安全过滤，但真实世界中视觉误差、遮挡、动力学不确定性与故障恢复仍是严峻挑战。将“语言化规划+闭环视觉状态估计+安全约束”统一到端到端框架值得进一步研究。

• 与联合训练的关系：本文展示了“无需联合训练也能保能力并具竞争力”，但两者并不互斥。把“语言化动作”与“适度联合训练/对比学习/指令合成”结合，可能进一步提高跨域泛化与鲁棒性。

  ——

附：与方法/数据直接相关的原文图表在上文对应位置引用；部分复杂表（Table 1、Table 3）按原文不规则结构用 HTML 逐元转录，读者在对比具体数值时应结合正文叙述理解。