点击下方 卡片 ，关注" 具身智能 之心 "公众号 作者丨 Wenxuan Song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。 导读： 视觉-语言模型发展极为迅速，视觉-语言-动作（VLA）模型更是乘势而起，正在引领机器人技术走向一个更通用、更智能的新时代。然而，在这些强大模型的背 后，一个根本性的问题正逐渐浮出水面：机器人真的"看准"了吗？ 现有的 VLA 模型虽借助海量参数与机器人数据实现了跨模态理解，但在复杂场景与长时序任务中，视觉注意力往往分散，难以稳健地聚焦目标物体，导致抓取 或操作错误。过去通过显式输入裁剪图像或预测边框的方式来改进视觉定位，却并未从根本上提升注意力分配，对性能增益有限。如何在不增加显式推理负担的 前提下，引导模型将视觉注意力精准锁定于目标区域，成为突破瓶颈的关键。 当我们给机器人一个待执行的指令，例如指令"把蓝色积木放到粉色积木上"，模型必须把视觉焦点锁定在"蓝色积木"本身。然而大量实证结果显示，现有 VLA ...