視覺-語言-動作模型是實現機器人在復雜環境中靈活操作的關鍵因素。

然而，現有訓練范式存在一些核心瓶頸，比如數據采集成本高、泛化能力不足等。

為此，研究團隊提出了SimpleVLA-RL。基于veRL框架，他們實現了針對VLA模型的交互式軌跡采樣與并行仿真渲染機制。

SimpleVLA-RL通過 “交互式軌跡采樣+結果獎勵+探索增強” 的設計，解決了VLA模型訓練的三大核心瓶頸：

• 降低對大規模演示數據的依賴，提升數據效率；
• 增強模型在分布偏移場景下的泛化能力；
• 實現高效的Sim-to-Real遷移，提升真實世界任務性能。

實驗結果表明，該框架在LIBERO與RoboTwin等標準基準測試中均實現了SoTA的性能。更為關鍵的是，即便在有限數據的條件下，SimpleVLA-RL依然能夠訓練出表現優異的模型并具備極高的泛化能力。

在 “單軌跡 SFT”（每個任務僅1條演示數據）場景下，應用SimpleVLA-RL后，OpenVLA-OFT的LIBERO平均成功率從48.9%提升至96.9%，長時序任務LIBERO-Long從17.3%提升至91.7%。

此外，模型在訓練過程中還展現出自主探索能力，并涌現出新的操作策略，例如通過“推動”替代“抓取”的Pushcut現象。這些結果表明，SimpleVLA-RL為VLA模型的高效訓練與泛化能力提升開辟了新的研究路徑。

SimpleVLA-RL：端到端在線訓練方案

VLA模型作為機器人操控領域的重要研究范式，旨在融合視覺感知、語言理解與動作生成，從而在復雜物理環境中實現靈活的任務執行。

現階段的主流訓練流程通常遵循 “大規模預訓練+有監督微調” 的范式。然而，該方法在實際應用中面臨兩大核心瓶頸：

數據稀缺性

SFT依賴于大規模的高質量機器人操作軌跡，而此類數據的采集過程需要精心構建實驗場景、涵蓋多樣化的交互對象，并依賴專業操作人員完成。由此導致采集成本高昂、規模受限，從根本上制約了其可擴展性。

泛化能力不足

SFT的學習過程高度依賴于任務與場景特定的數據分布，因而在面對分布外任務（out-of-distribution tasks）、全新環境或未見過的對象時，模型性能會顯著下降，尤其在長時序依賴與組合型任務中尤為明顯。

與此同時，大規模推理模型（如DeepSeek-R1）的最新進展表明強化學習在僅依賴結果獎勵的情況下，也能顯著提升模型的逐步推理能力。

這引出了一個自然的問題：RL能否同樣有效地增強 VLA 模型在長時序任務中逐步規劃動作的能力？然而將RL直接應用于VLA訓練又面臨一些獨特挑戰：

1、傳統機器人RL往往依賴人工設計的過程獎勵，該方式難以擴展至復雜的開放環境；

2、VLA的訓練需要與物理或高保真模擬環境進行多輪交互，訓練效率低，成本遠高于基于文本的LLM推理優化。

基于上述問題，研究團隊出了SimpleVLA-RL，它是在veRL（LLM強化學習框架）上擴展的一套端到端在線訓練方案，專門針對VLA模型的特點做了優化。

整體設計主要包含四部分：

首先是交互式軌跡采樣。與LLM僅依賴文本token采樣不同，VLA必須在閉環中不斷更新視覺觀測和機器人狀態。

因此，SimpleVLA-RL讓模型直接輸出動作token的概率分布，用隨機采樣生成多樣軌跡。整個過程中，機器人執行動作后環境返回新狀態，再繼續生成，直到任務完成。

其次是結果獎勵建模。研究人員不再使用復雜的過程獎勵（如距離目標遠近），而是采取極簡的二元結果：

任務成功記為1，失敗記為0，并將這個獎勵均勻分攤到整個軌跡的動作token上。

這樣一來，不僅避免了過程獎勵在不同任務間的不可遷移性，也省去了針對任務調參的麻煩，更好地聚焦了訓練目標。

第三是探索增強。VLA模型很容易因為訓練數據過于單一而收斂到狹窄解法，從而導致rollout的軌跡高度同質化進而影響GRPO的優勢估計。

為了解決這個問題，SimpleVLA-RL在三個地方做了調整：

• 動態采樣，只保留“部分成功、部分失敗”的軌跡組，確保優勢估計有效，避免梯度消失；
• 擴大GRPO的裁剪區間，從[0.8, 1.2]放寬到[0.8, 1.28]，讓低概率但可能有價值的動作更容易被保留；
• rollout階段提高采樣溫度，從1.0提升到1.6，以此鼓勵更多樣化的探索。

最后是訓練目標?；谏鲜龅囊幌盗懈倪M，團隊進一步對GRPO做了簡化：移除了KL散度正則項，不再依賴參考模型，從而減少內存消耗，也讓新行為的探索不受束縛。

研究團隊的主要貢獻可以總結為如下幾點：

構建VLA專屬高效RL框架：基于veRL擴展，加入VLA交互式軌跡采樣、多環境并行渲染及 “訓練-推理-渲染” 一體化設計，解決VLA與環境交互慢、成本高的問題，支持規?；柧?。

最優性能：團隊引入了探索增強策略，使性能穩定提升10–15%。在LIBERO與RoboTwin 1.0 & 2.0等基準上，SimpleVLA-RL超越多個現有SoTA模型。

數據效率與泛化能力：僅需單個演示軌跡，RL即可將LIBERO-Long的成功率從17.1%提升至91.7%，并在空間、物體與任務泛化上顯著優于SFT。

真實世界可部署性：仿真環境中訓練的策略能夠有效遷移至真實機器人，實現強大的仿真到現實（sim-to-real）性能提升，無需額外的真實機器人數據。

發現 “Pushcut” 新現象：RL訓練使模型自主探索出人類演示之外的新策略。

基準測試性能：刷新SOTA

SimpleVLA-RL基于OpenVLA-OFT（autoregressive VLA模型）實現，在三大基準測試（LIBERO、RoboTwin1.0、RoboTwin2.0）及真實世界任務中驗證，核心結果如下：

LIBERO（單臂操控基準）

在Spatial、Object、Goal、Long四個任務集上，SimpleVLA-RL將OpenVLA-OFT 的平均成功率從91.0%提升至99.1%，其中長時序任務LIBERO-Long提升12.0個百分點（86.5%→98.5%），超越π?（85.2%）、UniVLA（92.0%）等SOTA模型。

RoboTwin1.0（雙臂操控基準）

四個任務平均成功率從39.8%提升至70.4%，其中 “Blocks Stack” 任務提升33.1個百分點（7.1%→40.2%）。

RoboTwin2.0（高多樣性雙臂基準）

覆蓋短/中/長/超長時序12個任務，平均成功率從38.3%提升至68.8%，超越π?（49.2%）和RDT（33.3%）。即使是需多輪交互的超長時序任務（如 “Put Bottles Dustbin”），也提升18.7個百分點。

在LIBERO的 “9個已見任務訓練+1個未見任務測試” 實驗中，SimpleVLA-RL與SF 表現出顯著差異：

SFT：在已見任務成功率達90%以上時，未見任務出現 “災難性遺忘”，部分任務成功率降至0%（如LIBERO-Goal的3個未見任務）；

SimpleVLA-RL：所有未見任務成功率均提升，其中LIBERO-Object的 “Unseen Task 2” 提升36.5個百分點，LIBERO-Spatial 的 “Unseen Task 1” 從43.3%提升至71.8%，證明RL能學習通用技能而非過擬合特定數據。

僅使用仿真數據訓練（無真實數據），在AgileX Piper機械臂上測試4個真實任務：

OpenVLA-OFT 的平均成功率僅17.5%，“Pick Bottle” 任務完全失敗。

SimpleVLA-RL將平均成功率提升至38.5%，“Stack Bowls” 提升32個百分點（38.0%→70.0%），“Pick Bottle” 實現14%成功率，證明RL能增強仿真模型的真實環境適配性。

在RoboTwin 2.0的 “Move Can Pot” 與 “Place A2B Right” 兩個任務中，SFT模型僅能復現演示數據中顯式呈現的“抓取–移動–放置”操作序列。

相比之下，經過SimpleVLA-RL訓練的模型能夠自主探索并發現更高效的替代策略，例如直接通過“推”的方式將罐子移至目標位置。研究團隊將這種現象定義為 “Pushcut”，其特征是能夠突破人類演示模式限制，利用獎勵信號探索并采納演示外的路徑。

他們認為其本質在于結果獎勵并不約束具體動作模式，而是允許模型在滿足任務目標的前提下，自主選擇最優或更簡潔的行為路徑。

“Pushcut” 現象證明RL能讓VLA模型超越人類演示的局限并探索更優策略，為未來自主、自適應VLA模型的研發提供了新范式。

論文鏈接：https://arxiv.org/pdf/2509.09674

Github鏈接：https://github.com/PRIME-RL/SimpleVLA-RL