点击下方 卡片 ，关注" 具身智能 之心 "公众号 作者丨 Ankit Goyal等 编辑丨具身智能之心 本文只做学术分享，如有侵权，联系删文 >> 点击进入→ 具身智能之心 技术交流群 更多干货，欢迎加入国内首个具身智能全栈学习社区 ： 具身智能之心知识星球 (戳我) ， 这里包含所有你想要的。 在机器人操控领域，视觉-语言-动作模型（VLAs）一直被视为实现通用化操作的关键技术。当前主流方案要么给基础视觉-语言模型（VLM）添加特殊动作 token，要么额外设计动作生成头，甚至修改模型架构 ——这些复杂操作不仅增加研发成本，还可能破坏 VLM 原本的语言理解能力。 而 NVIDIA 团队提出的 VLA-0 ，用一种看似 "反常识" 的简单思路打破了僵局：不修改 VLM 的任何结构，直接让它以文本形式预测动作。实验证明，这种 "零改动" 设计不仅有效，还能在模拟和真实场景中超越众多复杂架构的 VLAs，为机器人操控模型的轻量化研发提供了全新方向。 论文标题 ：VLA-0: Building State-of-the-Art VLAs with Zero Modification 文章链接 ：https:// ...