不装腕相机，VLA成功率反而更高

一句话判断

不装腕相机，VLA成功率反而更高

腕相机能看清夹爪附近，却容易漏掉远处目标和周围布局。外部相机看得全，但整张图缩到模型输入尺寸后，操作细节又被压小。

FoveaVLA在π0.5上后训练，让策略同时学习“怎么动”和“下一次看哪里”，用外部视角的全景与局部细节完成操作。

每次查询预测16步动作，执行前8步；同时预测下一次查询时的交互区域。

↳ 等新图像到达，用之前预测的框从原分辨率图像裁出局部，再缩放到224×224。
↳ 全景保留布局，局部提供细节；RGB与深度采用相同裁剪。
↳ 动作与框共享观测表征，但输出分支隔离。框通过改变下一次观测影响后续动作，不是先把当前框喂给当前动作头。

区域监督来自DROID上的RoboInter交互标注，不需要采集人类眼动。

四套真机任务、每套12次：
· 带腕相机π0.5：52.1%。
· 一个外部RGB-D视角：70.8%。
· 两个外部RGB-D视角：77.1%。
普通取放均为100%，增益出现在干扰物、布料和远物体任务。

更关键的是消融：双外部RGB仅全图25.0%，增加框监督31.3%，真正输入局部图后66.7%。知道该看哪里，还要让模型实际看到更多细节。

⚠️ 少一只腕相机，不等于零成本
RTX 5080上，Single动作查询约125ms，框解码约50ms。框解码与动作执行重叠，论文设置下无需等新帧到达后再定位，但计算并未消失。

真机每方法仅48次，不能外推工业可靠性；利用无腕人类视频训练，也仍是展望。

💡 放回预测与控制的技术脉络
MT-WAM提醒：预测任务有用，不意味着预测token都该直接成为动作条件。FoveaVLA提供另一种接法：预测结果改变下一次收集的视觉细节。

值得检验的是，在遮挡、相机位置变化和更大工作空间中，这种“预测—观测—动作”循环能否持续保住收益，而不只是把目标框预测得更准。