核心观点 - FlowVLA模型通过视觉思维链（Visual CoT）原则解决传统VLA世界模型的根本缺陷，将动态运动与静态外观解耦，显著提升长时程预测的物理合理性和下游任务样本效率 [1][8][36] - 模型在单自回归Transformer中统一外观与运动推理，采用"帧→光流→帧"的两阶段结构化预测流程，避免像素复制陷阱并增强物理动态理解 [9][12][14] - 实验验证显示，FlowVLA在LIBERO和SimplerEnv基准测试中达到最先进性能，长时程任务成功率提升显著，低数据场景下样本效率优势达55% [20][22][30] 技术架构创新 - 引入视觉思维链（Visual CoT）原则，强制模型先预测中间光流编码运动动态，再基于光流生成未来帧，实现动态与外观学习的解耦 [8][12][14] - 采用共享分词方案，将2通道光流场转换为RGB类图像，通过相同VQ-GAN分词器处理光流与原始帧，保持参数效率和架构简洁性 [9][15] - 两阶段训练范式：预训练阶段从无动作视频学习通用物理规律，微调阶段适配机器人控制任务，损失函数仅针对动作令牌计算 [15][16][19] 性能表现 - LIBERO数据集平均成功率88.1%，超越所有对比模型，其中长时程任务成功率72.6%较基线提升显著 [20][21] - SimplerEnv数据集平均成功率74.0%，在视觉偏移场景（如堆叠积木任务62.5%）表现优异，验证对真实环境变化的强适应性 [22][23] - 低数据场景下峰值成功率比基线高55%，仅用1000训练步数即超越基线峰值性能，样本效率优势显著 [30][32] 关键组件验证 - 消融实验显示：移除Visual CoT结构使成功率下降至64.0%，移除光流监督降至69.5%，证明核心设计必要性 [33][34] - 定性分析表明FlowVLA预测结果符合物理规律（无机械臂消失或物体运动异常），且与语言指令语义对齐 [24][26][29] - 统一分词方案和交错序列格式贡献49.4%基础性能，分组序列结构对整体效果有关键影响 [33][34] 行业价值定位 - 突破传统VLA模型端到端学习局限，提供动态优先的世界模型构建范式，为通用机器人开发奠定物理推理基础 [35][36] - 解决预训练被动观测知识与策略学习主动控制知识的领域差距，显著降低下游任务微调成本和收敛时间 [7][10][30] - 光流预测提供任务无关的低层物理理解，可作为高层控制基础，弥补现有具身推理方法在物理动态建模方面的不足 [35][36]