L1 损失

用预测值与真值之差的绝对值来计算误差的损失函数。

L1 损失把每个预测值与真值之差取绝对值再求和，按样本取平均时叫平均绝对误差（MAE）。和把误差平方的 L2 损失（均方误差）相比，它对大误差是线性惩罚而不是平方放大，因此受离群点影响更小；但它的梯度大小恒定，快到目标时不会自动变小。从概率角度看，最小化 L1 损失相当于假设误差服从拉普拉斯分布做最大似然估计，最优解趋向中位数而不是均值。在具身智能里，L1 常用于连续动作回归：ACT 用 L1 做动作序列重建，作者称它比更常见的 L2 能更精确地建模动作序列；OpenVLA-OFT 也改用 L1 回归直接输出连续动作。

例子OpenVLA-OFT 把 OpenVLA 逐个生成离散动作 token 的方式，换成并行解码、动作分块加 L1 回归输出连续动作，动作生成吞吐量提高 26 倍，LIBERO 四个任务集的平均成功率从 76.5% 提到 97.1%。

也叫

平均绝对误差、MAE、绝对值损失

相关

均方误差、损失函数、连续动作回归、ACT、OpenVLA-OFT、动作分块

来源

Linear regression: Loss（Google Machine Learning Crash Course）
Learning Fine-Grained Bimanual Manipulation with Low-Cost Hardware (ACT, arXiv 2304.13705)
Fine-Tuning Vision-Language-Action Models: Optimizing Speed and Success (OpenVLA-OFT, arXiv 2502.19645)