BayesianVLA：通过潜在动作查询对视觉语言动作模型进行贝叶斯分解

视觉-语言-动作（VLA）模型在机器人操作上显示出前景，但常常难以泛化到新指令或复杂多任务场景。我们识别出当前训练范式的一个关键病灶：目标驱动的数据收集造成数据集偏差。在这类数据集中，语言指令从视觉观察单独即可高度预测，导致指令与动作之间的条件互信息消失，我们把这一现象称为信息坍缩（Information Collapse）。结果，模型退化为忽略语言约束的纯视觉策略，在分布外（OOD）设定中失败。为解决这一问题，我们提出 LangForce，一个通过贝叶斯分解强制指令遵循的新颖框架。通过引入可学习的潜在动作查询，我们构建双分支架构，同时估计纯视觉先验 p(a|v) 与语言条件后验 π(a|v,ℓ)。随后我们优化策略以最大化动作与指令之间的条件逐点互信息（PMI）。该目标有效惩罚视觉捷径，奖励显式解释语言指令的动作。无需新数据，LangForce 显著改善泛化。在 SimplerEnv 与 RoboCasa 上的大量实验显示可观收益，包括在具有挑战性的 OOD SimplerEnv 基准上 11.3% 的提升，验证了该方法把语言稳健接地于动作的能力。