VLA 模型如何解决数据稀缺问题？

数据是制约 VLA 泛化能力的首要瓶颈——机器人演示数据的采集成本远高于网络文本，规模通常以万小时或数十万条计。当前主要应对策略包括：

1. 复用互联网预训练：VLA 的核心思路正是"借脑"——把在海量网络图文数据上预训练的视觉语言骨干作为基础，再用相对少量的机器人演示数据进行微调，从而以远少于从零训练的数据量获得泛化能力。
2. 合成数据扩充：借助仿真环境生成大规模合成轨迹。英伟达 GR00T N1.7 结合第一人称人类视频、真实机器人轨迹与 Cosmos 仿真生成的合成数据；其部分工作可在约 11 小时内生成 78 万条合成轨迹。
3. 跨本体数据复用：通过跨本体训练与共享动作语义，让一条轨迹数据在多种机器人间复用，提高单位数据的利用效率（见第十一节）。
4. 数据质量优先于数量：研究表明，200 条覆盖多样配置的演示往往优于 500 条重复配置的演示。相机位姿一致、标注清晰、子任务分类合理的语料库，能显著提升下游微调效果。