VLA 模型是如何实现跨机器人本体迁移的？

不同机器人的关节数、自由度、动力学参数与相机位姿各不相同，直接混合训练既可能获得跨本体泛化，也可能相互干扰。主流解法有三类：

1. 共享动作语义的多头训练：StarVLA 开源社区 2026 年 8 月发布的 VLAct，通过多个动作头联合训练并共享跨物理本体的动作语义，使有限的机器人轨迹数据能够在不同任务、环境与本体间复用。
2. 软提示（Soft Prompt）：以 X-VLA 为代表，为每种本体学习一组连续提示向量作为可训练前缀注入骨干，让同一套权重在不同本体上呈现不同的行为模式，把"本体身份"从训练障碍转化为条件输入。
3. 跨本体数据规模化：OpenVLA 在来自 22 种机器人本体的 Open X-Embodiment 数据集上训练，验证了跨本体训练能够提升每个单独机器人的表现——类似多任务学习中的正向迁移效应。