HAMSTER（分层动作模型）

HAMSTER: Hierarchical Action Models for Open-World Robot ManipulationHAMSTER进阶

英伟达等 2025 年的分层 VLA：高层画 2D 路径，底层 3D 策略照着做。

HAMSTER 由英伟达、华盛顿大学、南加州大学的研究者 2025 年 2 月提出，发表于 ICLR 2025。常规 VLA 直接把视觉语言模型（VLM）微调成输出动作，只能用昂贵的真机数据训练。HAMSTER 把系统拆成两层：高层是微调过的 VLM（基于 VILA），看一张 RGB 图和任务描述，画出一条粗略的 2D 路径，表示末端执行器大致该怎么走；底层是能处理 3D 输入的控制策略（论文试了 RVT-2 和 3D Diffuser Actor），把这条路径当引导去做精确操作。高层只需输出 2D 路径，所以能用便宜的「域外数据」训练，比如无动作标签的视频、手绘草图、仿真数据；高层不管精细动作，底层不管任务推理，各做擅长的事。