现有机器人基础模型通常直接从二维图像和语言指令预测动作，却较少显式描述动作将如何改变三维世界。WSA₁ 关注机器人能否在行动前形成对未来空间状态的判断，并让世界变化与动作生成彼此约束。

为此，WSA₁ 采用以三维为中心的 World–Spatial–Action 建模，在统一框架中连接未来二维视觉、未来三维世界状态与连续动作生成。它探索了一条利用大规模多源数据学习空间规律，并将这种理解迁移到不同任务和机器人本体的通用控制路径。

实验中，WSA₁ 在 RoboTwin 2.0 与 LIBERO 上分别取得 93.1% 和 98.2% 的成功率，并在真实机器人控制任务中相较代表性方法平均提升 20%。团队以 WSA₁ 为核心方案参加 CVPR 2026 RoboChallenge，最终获得总榜第 4，并取得高校团队最高排名。

大规模人类视频和仿真数据为 VLA 预训练提供了可扩展的数据来源，但视角、外观与本体形态差异使这些经验很难直接迁移到真实机器人。MiVLA 从人手与机械臂之间共享的行为结构出发，探索如何将人类行为经验和机器人操作数据放进同一套预训练体系。

方法通过人机互模仿与双向动作空间对齐，让模型在不同本体的示范之间学习可迁移的行为表示。真实人类视频的行为真实性与仿真数据的任务多样性由此相互补充，帮助模型适应新的视角、场景外观和机器人平台。

统一的 VLA 模型既需要保留视觉语言模型的语义理解能力，也需要学习物理动态和连续控制。直接加入像素级未来预测容易造成多目标干扰并增加推理成本，因此 InternVLA-A1.5 将“理解、预见、行动”组织为相互协同但职责清晰的能力。

模型在原生 VLM 骨干上持续学习视觉问答和子任务预测，并使用统一动作专家生成连续控制信号。未来信息由少量潜在查询在训练阶段提炼，部署时无需运行视频生成分支，从而兼顾复杂指令理解、长时序操作与实时控制。

Transformer 中 Softmax 与 GeLU 的长尾激活，在低比特下难以用均匀或 Log2 的固定间隔表示，导致裁剪误差与舍入误差难以兼顾。CFQuant 移除激活量化区间的结构约束，通过 Lloyd-Max 迭代自适应学习量化值与决策边界，仅需少量校准样本，无需重新训练模型。

方法进一步用 ESA 对齐校准与推理分布，并以 MM-LUT 查表矩阵乘法加速低比特计算。Qwen3-8B 在 W4/A4 下的六项零样本平均准确率达 67.21%，较 PrefixQuant 提升 25.49 个百分点；DeiT-S 部署实验实现约 8× 模型压缩和 3.7× 端到端加速。

小麦穗分割面临标注规模有限、采集条件差异大以及伪标签噪声累积等问题。这项工作以 Global Wheat 竞赛场景为背景，研究如何更充分地利用未标注数据，获得对复杂田间图像更稳健的语义分割模型。

方案以 SegFormer 为基础，结合两阶段混合训练、数据增强和迭代 teacher–student 自训练，在每轮训练中逐步修正伪标签并扩大有效监督。它更强调数据利用与训练流程的系统设计，也为类似的有限标注视觉任务提供了可迁移的思路。