# VLA-Precision: Thuật toán học tăng cường trực tuyến giúp tối ưu độ chính xác cho mô hình Vision-Language-Action

- Nguồn: Hugging Face Daily Papers
- Thời gian phát hành: 2026-09-28 07:00 (giờ Việt Nam)
- Điểm AI: 85/100
- Link AIHOT.vn: https://aihot.vn/items/61c812085061cc51
- Link gốc: https://arxiv.org/abs/2609.04355

## Tóm tắt AI

VLA-Precision giới thiệu phương pháp Asymmetric Co-Bootstrapping giúp các mô hình VLA tự cải thiện thông qua học tăng cường trực tuyến, giải quyết vấn đề độ chính xác kém và hiệu suất thấp trong các tác vụ điều khiển robot thực tế.

## Thân bài

Tác giả: [Chenyu Su](https://arxiv.org/search/cs?searchtype=author&query=Su,+C), [Zhaolong Shen](https://arxiv.org/search/cs?searchtype=author&query=Shen,+Z), [Yuan Qian](https://arxiv.org/search/cs?searchtype=author&query=Qian,+Y), [Chen Qian](https://arxiv.org/search/cs?searchtype=author&query=Qian,+C), [Rui Zhang](https://arxiv.org/search/cs?searchtype=author&query=Zhang,+R), [Feng Yan](https://arxiv.org/search/cs?searchtype=author&query=Yan,+F), [Weixing Chen](https://arxiv.org/search/cs?searchtype=author&query=Chen,+W), [Fei Zhang](https://arxiv.org/search/cs?searchtype=author&query=Zhang,+F), [Jiamin Wang](https://arxiv.org/search/cs?searchtype=author&query=Wang,+J), [Shuang Cong](https://arxiv.org/search/cs?searchtype=author&query=Cong,+S), [Weiwei Shang](https://arxiv.org/search/cs?searchtype=author&query=Shang,+W)

[Xem PDF](https://arxiv.org/pdf/2609.04355) [HTML (thử nghiệm)](https://arxiv.org/html/2609.04355v3)

> Tóm tắt: Các mô hình thị giác-ngôn ngữ-hành động (VLA) được huấn luyện trước cho phép thực hiện các thao tác đa dạng nhưng vẫn thiếu độ tin cậy trong các tác vụ đòi hỏi sự chính xác và tính lặp lại. Việc áp dụng học tăng cường (RL) trực tuyến trong thế giới thực vào quá trình hậu huấn luyện VLA cho phép cải thiện khả năng tự chủ thông qua thử và sai vượt xa các dữ liệu minh họa đơn thuần, nhưng lại bộc lộ hai điểm nghẽn: 1) các tín hiệu giá trị không đáng tin cậy có thể dẫn đến lệch chính sách (policy drift); 2) chi phí vận hành của các mô hình VLA lớn gây hạn chế về thông lượng và hiệu quả lấy mẫu. Để giải quyết những thách thức này, chúng tôi giới thiệu VLA-Precision, một khung RL trực tuyến hiệu quả trong thế giới thực với thuật toán Asymmetric Co-Bootstrapping (ACoB) và kiến trúc ACoB-Stream. Cụ thể, ACoB thiết lập cơ chế đồng khởi tạo bất đối xứng trên các thang thời gian: việc học hành vi có sự hướng dẫn can thiệp sớm giúp cải thiện nhanh chóng hiệu suất chính sách đồng thời nâng cao chất lượng trải nghiệm trực tuyến. Khi kinh nghiệm tự chủ tích lũy, việc lan truyền lợi nhuận toàn cục và xếp hạng ưu tiên cục bộ sẽ hiệu chỉnh dần các ước tính giá trị, tạo ra các lợi thế hành động tương đối để cải thiện chính sách được điều tiết tham chiếu, đồng thời ngăn chặn sự lệch hướng. Để triển khai ACoB trên các mô hình VLA lớn, chúng tôi phát triển ACoB-Stream, một kiến trúc trải nghiệm-chính sách vòng lặp kín thiết lập các nguyên tắc thiết kế tách biệt trạng thái bất biến và truyền phát theo yêu cầu, mang lại hiệu suất cải thiện lên tới 10,9 lần về thông lượng và hiệu quả tính toán. Các đánh giá mở rộng trên chín tác vụ hóa học có độ chính xác cao thuộc bốn danh mục và bốn loại robot cho thấy VLA-Precision đạt tỷ lệ thành công trung bình 98,3% trong 45,8 phút/tác vụ, với các tập dữ liệu 27,6 giây chạy ở tốc độ nhanh gấp 1,2 lần và 1,8 lần so với các mô hình VLA và RL cơ sở. Tài nguyên có sẵn tại [đường dẫn này](https://vla-precision.github.io/).

| Bình luận: | 17 trang, 14 hình ảnh |
| --- | --- |
| Chủ đề: | Robot học (cs.RO); Trí tuệ nhân tạo (cs.AI); Tương tác người-máy (cs.HC); Học máy (cs.LG) |
| Trích dẫn là: | arXiv:2609.04355 [cs.RO] |
|  | (hoặc arXiv:2609.04355v3 [cs.RO] cho phiên bản này) |
|  | https://doi.org/10.48550/arXiv.2609.04355 DOI do arXiv cấp thông qua DataCite |

### Lịch sử gửi bài

Từ: Chenyu Su [xem email](https://arxiv.org/show-email/0e37ee11/2609.04355)] [v1](https://arxiv.org/abs/2609.04355v1) Thứ Năm, 3 tháng 9 năm 2026 18:19:36 UTC (13.395 KB) [v2](https://arxiv.org/abs/2609.04355v2) Thứ Tư, 9 tháng 9 năm 2026 09:42:55 UTC (13.395 KB) [v3] Thứ Sáu, 18 tháng 9 năm 2026 15:32:32 UTC (13.354 KB)