Vision-Language-Action（VLA）模型在视觉运动控制中展现出了卓越能力，但如何在复杂的真实世界中保持鲁棒性仍是一个长期挑战。研究团队展示了一个关键 发现：在推理阶段，结合「生成 - 验证」（generate-and-verify）范式从而增加计算量（test-time compute）可以显著提升 VLA 模型的泛化能力与可靠性。 与此同时，论文系统性地探讨了具身智能中的 Test-Time Scaling Law：随着推理阶段的采样与验证规模增长，VLA 模型在任务成功率和稳定性方面呈现出可预测的 提升规律。 论文标题：RoboMonkey: Scaling Test-Time Sampling and Verification for Vision-Language-Action Models 论文地址：https://arxiv.org/abs/2506.17811 代码链接：robomonkey-vla.github.io 作者邮箱：jackykwok@stanford.edu 本文的第一作者为斯坦福大学博士生 Jacky Kwok。共同通讯作者包括英伟达自动驾驶研究总监 Marc ...