VGAS：面向少样本视觉-语言-动作适配的价值引导动作块选择

视觉-语言-动作（VLA）模型将多模态推理与物理控制衔接起来，但在示范稀缺的情况下将其适配到新任务仍不可靠。尽管微调后的VLA策略常能产生语义上合理的轨迹，但失败往往源于未被消解的几何歧义：在有限监督下，险些命中（near-miss）的动作会导致截然不同的执行结果。我们从“生成-选择”的视角研究少样本VLA适配，并提出一个新框架VGAS（价值引导的动作块选择）。它在推理时执行best-of-N选择，以识别既忠实于语义又在几何上精确的动作块。具体而言，VGAS用一个微调后的VLA作为高召回候选生成器，并引入Q-Chunk-Former——一个以几何为依据的Transformer评论家——来消解细粒度的几何歧义。此外，我们提出显式几何正则化（EGR），它塑造一个具区分性的价值图景，以在险些命中的候选之间保持动作排序的分辨力，同时缓解监督稀缺下的价值不稳定。实验与理论分析表明，VGAS在有限示范与分布偏移下持续提升成功率与鲁棒性。代码可在 https://github.com/Jyugo-15/VGAS 获取。