当机器人镜头沾上油污、光线突然变暗、或桌面出现反光，它还能准确抓取目标吗？对人类而言，这并非难事；但对当前最先进的机器人AI模型来说，答案远没有那么乐观。

7月6日，第43届国际机器学习大会（ICML 2026）在韩国首尔开幕。作为机器学习领域最具影响力的顶级学术会议之一，也是中国计算机学会（CCF）推荐的A类国际学术会议，本届会议主题为“Machine Learning for the Real World”，强调机器学习在真实场景中的落地。在这一背景下，星尘智能联合北京大学、清华大学等机构正式发布并开源了全球首个基于“信息瓶颈适配器”（Information Bottleneck Adapter,IB—Adapter）的VLA鲁棒性架构——StableVLA，其技术报告已同步上线arXiv，代码已在GitHub开源。

VLA模型是当前具身智能领域最重要的技术路线之一。其工作流程可简化为：看见（Vision）→ 理解（Language）→ 行动（Action）。机器人通过摄像头感知环境，通过大模型理解任务语义，再输出具体的动作指令。然而，现实世界的复杂度远超任何训练集所能覆盖的范围。在真实场景中，机器人可能遭遇摄像头模糊、镜头油污、光照突变、反光、物理遮挡及数字噪声等各类干扰，且理论上，没有数据集能够穷尽所有可能的视觉退化情况。

星尘智能与北京大学、清华大学等联合团队的最新研究发现，即便当前最先进的VLA模型，在面对上述未见过的视觉干扰时，性能也会出现显著滑坡。而更令人意外的是，问题的症结并不在视觉编码器，也不在大语言模型本身。

问题根源：

中间“翻译官”成脆弱短板

通过对多个SOTA（State—of—the—Art）VLA模型的系统诊断，研究团队得出了一个关键结论：视觉编码器（Vision Encoder）和大语言模型（LLM）均非性能退化的主因，而是真正的薄弱环节，是连接两者的投影器（Projector）。

如果将整个系统比作一个跨国协作团队，视觉编码器负责说“图像语言”，大语言模型负责说“模型语言”，而投影器正是中间的翻译官。问题在于，当前主流VLA架构中的投影器大多采用MLP（多层感知机）结构。这种结构几乎等同于一个“全通滤波器”——它不会区分哪些信息来自目标物体，哪些信息只是镜头污渍、反光或随机噪声。所有信号不加过滤地涌入决策系统，最终导致机器人在干扰环境下“误判”。

研究团队指出，这正是VLA模型在真实环境中鲁棒性不足的深层根源。换言之，模型并非不够“聪明”，而是被噪声“欺骗”了。

解决方案：

为视觉信息加装“智能降噪器”

基于信息论中“信息并非越多越好”的经典理论，研究团队提出了IB—Adapter（信息瓶颈适配器）。其核心逻辑在于：关键不是获取最多信息，而是保留最有价值的信息。

在传统VLA架构中，摄像头捕获的所有视觉内容——无论是目标物体的轮廓与结构，还是镜头污渍、反光、噪点和模糊——都会被一股脑送往后续网络，不加区分地进入决策系统。

IB—Adapter则相当于给机器人加装了一层“视觉降噪系统”，在视觉特征进入决策层之前完成一轮主动筛选：保留物体轮廓、空间结构和操作相关的有用特征，同时压制噪点、模糊、反光和随机干扰等冗余信息。

这一筛选通过IB—Adapter和StableVLA架构的“关联分析+智能门控+特征重构”三重机制实现——分析不同特征通道之间的相关性以区分信号与噪声，借助Sigmoid门控为每个通道安装独立开关，最后对视觉特征进行非线性变换与重建，增强关键信息的表达力。

效果验证：

零样本条件下30%的性能跃升

实验数据表明，在不增加额外训练数据、不引入数据增强、不重构训练流程的前提下，IB—Adapter平均带来约30%的性能提升。

在LIBERO基准测试的四个标准任务套件上，StableVLA在多数子任务中取得了最优或次优成功率。对比与自身结构相似的VLA—Adapter，在严重腐蚀程度最高的Level—5设置下，StableVLA的性能提升幅度从40.2%至139.6%不等。在CALVIN基准上，其平均完成任务数同样实现了断层式领先——并非小数点后几位的胶着战，而是显著的量化差距。

更值得关注的是参数效率。整个IB—Adapter模块新增参数不足1000万，对于动辄数十亿甚至上百亿参数的大模型而言，几乎可以忽略不计。

5亿对阵70亿：

参数规模不是鲁棒性的唯一标准

论文中最引人注目的结果之一在于：搭载IB—Adapter的StableVLA，即便仅使用5亿（0.5B）参数的模型且未采用Open X—Embodiment大规模预训练数据，其鲁棒性表现仍能接近70亿（7B）参数级的SOTA VLA模型——两者参数规模相差14倍。

这一发现具有重要的行业意义。过去，业界提升VLA模型鲁棒性的主流思路是“做大”——模型不够强就扩大规模，数据不够多就增加数据。而StableVLA给出了另一种答案：与其让机器人更“聪明”，不如先让它减少被噪声“欺骗”。合理的架构设计，能够有效弥补规模扩张带来的部分优势。

在LIBERO基准的零样本鲁棒性对比中，StableVLA（三角形标记）在干净数据和损坏数据（不同严重程度平均值）上的综合表现均领先于多个基线模型，包括OpenVLA、OpenVLA—OFT及π（Pi）等。

真实世界部署：

从实验室走向复杂场景

从学术角度看，这是一项关于VLA模型鲁棒性的研究。但从产业视角看，它回答了一个更为根本的问题：机器人如何真正离开实验室，进入真实世界？

为了验证方法的实际有效性，研究团队在星尘智能Astribot S1平台上进行了真实机器人测试。测试任务涵盖抓取与放置、迷你投篮、倒水和玩偶装箱等，同时人为制造图像噪声、模糊、镜头油污和物体遮挡等干扰。

结果显示，在严重视觉干扰下，StableVLA（0.5B）仍能保持较高操作成功率。以玩偶装箱任务为例，StableVLA达到50%的成功率，显著优于同参数级的VLA—Adapter（20%）以及参数量更高的OpenPI 0.5（3B，40%）。多个现有方案在同等条件下均出现明显性能退化。

现实中的工厂、商场、家庭和餐厅，永远不会拥有完美光照、洁净镜头和标准化场景。未来机器人能否实现大规模部署，很大程度上取决于：当环境变脏、变乱、变复杂时，它是否依然能够可靠地完成任务。StableVLA给出的答案是：机器人未必需要更大的模型，但一定需要更稳定的视觉理解能力。这或许正是具身智能从“能工作”迈向“可靠工作”的关键一步。

文/广州日报新花城记者：阮元元
图/受访单位提供
广州日报新花城编辑：张影