原力灵机研究团队正式发布了全新一代 vla（视觉-语言-动作）框架 —— geovla。该框架在充分继承当前视觉-语言模型（vlm）强大预训练表征能力的基础上，创新性地构建了双通路协同架构。
具体而言，GeoVLA 集成了专为三维空间建模设计的点云嵌入网络（PEN）与具备空间意识的动作决策模块（3DAE），从而赋予机器人真正意义上的三维几何理解与定位能力。该架构不仅在高保真仿真环境中刷新多项性能指标，更在真实物理场景下的多维度鲁棒性评估中展现出卓越稳定性。
GeoVLA 的核心思想在于任务职责的显式分离：由 VLM 专注完成语义识别与概念理解（即“识别对象是什么”），而点云处理分支则专注于空间结构解析与精确定位（即“判断目标在哪里”）。整个端到端系统由三大功能流紧密耦合构成——语义理解流、几何感知流与动作生成流，三者协同驱动，显著提升了任务执行的准确性与泛化性。
实验结果表明，GeoVLA 具备显著领先优势。在 LIBERO 标准测试集上，其任务完成率达 97.7%，大幅超越此前最优方法（SOTA）。同时，在 ManiSkill2 等更具挑战性的物理交互仿真平台中，GeoVLA 同样表现优异，尤其在涉及细粒度操作、非规则物体抓取及多视角动态观测等复杂子任务中，仍维持高水平成功率。
尤为值得关注的是，GeoVLA 在分布外（Out-of-Distribution, OOD）场景下的稳健表现，进一步验证了其面对环境不确定性、传感器噪声及未知物体形变等现实挑战时的强大适应力与泛化潜力。
源码地址：点击下载
