OmniVLA-RL：具有空间理解和在线强化学习的视觉-语言-动作模型

视觉语言动作（VLA）模型代表了嵌入式人工智能的范式转变，但现有框架经常面临不精确的空间感知、次优的多模态融合和强化学习的不稳定问题。为了弥补这些差距，我们提出了 OmniVLA-RL，这是一种新颖的架构，它利用 Mix-of-Transformer (MoT) 设计来协同集成推理、空间和动作专家。此外，我们引入了 Flow-GSPO，它将流匹配重新表述为随机微分方程（SDE）过程，并将其与组分段策略优化（GSPO）集成，以提高动作精度和训练鲁棒性。对 LIBERO 和 LIBERO-Plus 基准的广泛评估表明，OmniVLA-RL 取得了不错的整体性能并超越了主流现有方法，有效克服了当前 VLA 模型的根本局限性。