Summary
M²-VLA 证明通用 VLM 可直接作为 robotic manipulation backbone。提出 Mixture of Layers (MoL) 从密集语义特征选择性提取任务关键信息，Meta Skill Module (MSM) 集成强归纳偏置支持轨迹学习。
Problem & Motivation
现有 VLA 问题：
- End-to-end fine-tuning 损害 VLM 泛化能力
- Catastrophic forgetting
- VLM 高层语义理解与 robot 控制精确需求之间的 gap
Method
核心设计：
- Mixture of Layers (MoL): 选择性提取任务关键信息
- Meta Skill Module (MSM): 强归纳偏置，高效轨迹学习
优势: 不损害 VLM 泛化能力
Key Results
- Simulated 和 real-world 环境验证
- Zero-shot capabilities
- Score 11（热度中等）
Strengths & Weaknesses
亮点：
- MoL + MSM 设计合理
- 保留 VLM 泛化能力
局限：
- 具体 benchmark 数字未在 abstract 中给出
- 与 World Model 关联：这是 VLA architecture，而非环境建模本身
Mind Map
mindmap root((M²-VLA)) Problem VLM 泛化能力损失 Catastrophic forgetting Method Mixture of Layers Meta Skill Module Results Zero-shot capability Real-world验证
Notes
[基于 arXiv abstract]
VLA architecture 优化，与 World Model 的关联在 Embodied AI 方向——VLA 作为 action-conditioned world model 的一部分。