ThinkAct

ThinkAct: Vision-Language-Action Reasoning via Reinforced Visual Latent Planning进阶

先让多模态大模型想出视觉规划，再交给动作模型执行的推理型 VLA

英伟达与台湾大学（Chi-Pin Huang、Fu-En Yang 等）2025 年 7 月发布，发表于 NeurIPS 2025。多数 VLA 直接从画面和指令输出动作，缺少显式推理，难做多步长程任务。ThinkAct 采用快慢双系统：「思考」部分是以 Qwen2.5-VL 7B 初始化的多模态大模型，先监督微调冷启动，再用 GRPO 强化学习训练它生成具身推理计划，奖励来自视觉信号——规划出的轨迹终点是否与示范一致、整条轨迹是否与示范相符。推理结果被压缩成一个视觉规划隐变量，作为条件输入下游动作模型输出具体动作。在 SimplerEnv、LIBERO 等操作基准和多个具身推理基准上，它表现出少样本适应、长程规划和自我纠错能力。后续版本 Fast-ThinkAct 发表于 CVPR 2026。