Pointing-VLA：面向视觉-语言-动作操作的类型化空间定位接口

Pointing-VLA 是基于 Embodied-R1 的 VLA 模型，通过类型化隐藏状态空间读出（含 OFG 热图和视觉轨迹）替代文本坐标，在 Bridge/WidowX 四任务上平均成功率 72.9%，无需 Bridge 特定微调。其 OFG/接触头迁移至 NORA-1.5，控制时间减少超 20 倍；类型化头比文本解码快 6.68-6.90 倍；作为 π0.5 策略的空间引导时，真实机器人成功率从 52.7% 提升至 80.7%。

此前 VLA 模型通常用文本来序列化空间坐标，或使用不透明的动作令牌，接口脆弱。Pointing-VLA 将空间信息通过专用几何头部直接输出，提升了成功率、速度和可检查性，且无需针对特定数据集微调即达 SOTA，为机器人操作中的多模态推理与执行提供了更高效的接口方案。

Pointing-VLA 使用几何头预测归一化点、对象功能定位（OFG）热图和视觉轨迹，避免将几何信息序列化为文本。显式执行契约将 PICK 分配给源条件 OFG，PLACE 分配给 Pointing，提供阶段对齐的空间目标。类型化读出绕开文本解码，降低计算开销，并增强了模块间可解释性，使空间定位更直接、高效。

对于机器人产品，Pointing-VLA 可提升视觉-语言-动作操作的成功率，同时减少计算延迟和控制时间，降低硬件成本。其类型化架构便于调试和集成，可加速从仿真到真实场景的迁移，改善用户对自主操作可靠性的体验。

• 在机械臂拣选与放置任务中集成 Pointing-VLA 作为空间引导模块，替代传统文本坐标输出，以提升真实场景成功率。
• 利用 OFG/接触读出迁移到不同硬件平台（如 NORA-1.5），减少控制器耗时，优化实时操作性能。
• 作为 π0.5 等行动策略的即插即用空间先验，提升多视觉环境下的自主操作稳健性。
• 开发基于类型化空间读出的可视化调试工具，增强开发者对机器人决策过程的可检查性。

• Pointing-VLA 在更多任务和真实复杂环境中的泛化表现是否稳定？
• 类型化空间读出对其他 VLA 架构的适用性是否一致？
• OFG 热图对不同物体材质的敏感性如何，是否可能引入系统性偏差？
• 与文本解码相比，类型化头在极端位置或遮挡情况下的准确率如何？