研究人员构建了RouterVLA，一个将常规冒烟测试作为监督信号来筛选多个视觉-语言-动作（VLA）机器人模型的框架。通过仅复用每个模型的三次探针执行，该系统将保留任务的成功率从46.9%提升至61.5%——提升了14.6个百分点——且无需任何复杂的神经网络架构。
目录
研究人员构建了什么
RouterVLA是一个调试与选择框架，用于决定针对给定任务变体部署哪个VLA专家模型。它不将冒烟测试结果合并为全局平均值，而是保留每个专家、每个变体的试验数据作为调试档案。档案包括成功标志数、推演长度、完成时长以及训练先验——所有这些均来自评分执行前运行的探测试验。
该框架包含两部分：档案构造器（记录最终评估前每个候选模型的信息）和选择器（对档案进行排序）。关键在于，实际部署试验的评分结果（成功或失败）绝不会泄露到档案中。这种分离确保任何测量的改进都来自探针的真实信息，而非数据窥探。
研究人员在LIBERO-Plus基准测试的34,752条VLA执行记录的大型审计账本上测试了RouterVLA，涵盖四个套件、三个扰动轴和28个冻结专家ID的398个任务与扰动变体。每个变体-专家组合最多贡献四个试验ID，实现了严格的试验分离评估。
关键结果
核心结果明确无误：仅使用每个专家三次探针执行构建调试档案，将保留任务成功率从0.4686（为所有变体选择一个固定专家）提升到0.6149（基于简单计数规则为每个变体选择专家）。这提升了14.64个百分点，且完全来自调试信息——而非复杂的评分函数。
同样重要的是，在相同探针预算下，更复杂的学习型选择器（MLP、逻辑回归、梯度提升决策树）并未优于透明的计数规则。路由信号在二元探针成功指标上已经饱和；额外的标量迹特征或深度学习能力并无增益。
研究还揭示了一个关键的方法论陷阱：当评分试验被允许泄露到调试档案中（相同试验评估）时，测量到的增益几乎翻倍，达到不可部署的事后上限。这种结果分离不是可选项——而是区分现实估计与夸大估计的关键。
| 方法 | 保留任务成功率 | 相比固定专家增益 |
|---|---|---|
| 全局最佳（固定专家） | 0.4686 | — |
| 调试感知（计数规则） | 0.6149 | +14.63 ppt |
| 学习型评分器（MLP/GBDT） | ~0.615 | 无显著提升 |
| 事后上限（不可部署） | >0.76 | +29.5 ppt（估计） |
工作原理
RouterVLA将模型选择视为数据采集问题，而非模型比较问题。对于每个任务变体，系统首先选择一组候选VLA专家。每个专家在该变体上运行少量探针试验（冒烟测试）。结果——成功标志、推演长度、持续时间和终止元数据——构成调试档案。关键的是，探针试验与评分部署试验不同；它们预先运行并保持分离。
然后，选择器对可用档案进行排序。最简单且最有效的规则：选择探针试验成功次数最多的专家。平局时根据专家在整个训练套件中的成功率打破，再按固定ID排序。这种透明规则之所以有效，是因为探针已经包含强烈的条件信号——一个变体的最佳专家可能对另一个变体表现平庸，而调试能够捕捉这种差异。
为了对比，研究人员训练了学习型评分器（MLP、逻辑回归、GBDT），使用来自其他LIBERO套件的变体训练集上的二元交叉熵损失。这些评分器将完整的14维档案作为输入，但在相同三探针预算下从未超越简单计数规则。原因在于：二元探针成功已捕获排序专家所需的几乎所有信息；更丰富的迹（长度、时长）在此预算下无额外价值。
评估协议极为严谨。所有结果均使用试验分离交叉拟合：探针试验与评分试验保持分离，且每个变体-专家组合恰好出现在一次试验轮换中。这防止了任何结果泄露，这是基于账本的路由研究中的常见缺陷。
对机器人技术的意义
大多数机器人学习研究专注于构建单一的、越来越大的通用模型。RouterVLA提出了一条互补路径：通过为每个任务智能选择模型，从现有模型中挖掘更多能力。对于拥有多种微调VLA的机器人团队——每种模型在不同操作技能、光照条件或物体排列上表现优异——调试感知路由可以立即提升部署成功率，无需重新训练。
这对于购买或部署运行异构AI栈的人形机器人或仓储机器人的公司尤其相关。操作员可以维护一个专家池，让轻量级路由器决定每个班次由谁驱动，而不是强迫单一策略处理所有边缘情况。成本微乎其微：每个任务变体每个模型只需三次冒烟测试，而这些测试通常已为安全认证所需。
该框架还指向一个持续的生命周期：随着新模型加入或旧模型漂移，路由器可以从已路由的执行中更新其调试档案，形成一个自我改进的系统。这将工程问题从“如何让一个模型更通用？”转变为“如何最好地部署我们已有的模型？”
局限性与待解问题
RouterVLA在LIBERO-Plus的固定离线账本上进行了评估。该研究未测试顺序滚动部署，其中物理时间顺序、机器人磨损或环境漂移可能降低性能。仅标量档案无法明确视觉干扰——当布局变化时，添加图像-语言上下文可能会有所帮助。
候选模型在各个变体上的可用性不均匀；某些变体只有一个专家。这激励了主动探针分配：在部署前决定哪些专家值得更多试验，而不是使用统一预算。当探针并非资质认证所必需时，成本核算成为一个设计问题。这些是迈向实时部署的自然下一步。
常见问题解答
每个模型需要多少次探针试验？ 每个专家每个任务变体仅需三次探针执行即可匹配最佳可能的路由信号。更多探针在此预算下增加的价值微乎其微。
选择器必须是神经网络吗？ 不需要。选择探针成功次数最多的专家的简单计数规则，其性能与任何经过测试的学习型评分器（包括MLP和梯度提升树）相当。
测试了哪些类型的任务？ 实验使用了LIBERO-Plus基准测试中的398个任务与扰动变体，涵盖物体放置、光照和视觉外观变化的操作任务。
这能用于不同架构或训练数据集的模型吗？ 可以。RouterVLA通过调试档案接口将每个VLA视为黑箱。无需暴露权重或共享架构，因此模型无关。
结论
RouterVLA将常规冒烟测试转化为选择视觉-语言-动作机器人模型的强大信号。仅需每个专家三次探针，它就能将保留任务成功率提升14.6个百分点——且增益来自调试，而非复杂评分。关键教训：结果分离是强制性的，调试感知路由是改善部署机器人系统的实用且即时的杠杆。
当探针成本变化时，决定下一步测试哪个专家的最有效方式是什么？