2602.12281 VLA对齐中的验证扩展优于策略扩展

Title: Scaling Verification Can Be More Effective than Scaling Policy Learning for Vision-Language-Action Alignment
Authors: Jacky Kwok, Xilun Zhang, Mengdi Xu, Yuejiang Liu, Azalia Mirhoseini, Chelsea Finn, Marco Pavone
arXiv: https://arxiv.org/abs/2602.12281

关键图见：./out/telegram-cards/2026-02-13/2602.12281-fig1.jpg。

Problem framing

VLA 常见“理解了指令但动作不对齐”的 intention-action gap。本文核心判断是：在同等数据下，测试时做“候选动作+验证器筛选”的计算扩展，可能比继续扩展策略预训练更有效。

Core method

提出 CoVer（contrastive verifier）+ 分层验证推理：

• 先用 VLM 生成多种指令改写；
• 每个改写下采样多个动作候选；
• 用验证器在“指令-视觉-动作块”空间打分并选择最优动作轨迹。

Key equations and mechanisms

可写成两层选择：

$$\hat{a}=\arg \underset{a\in \mathcal{A}(r),r\in \mathcal{R}}{\max }{s}_{\psi }(o,r,a),$$

其中 $\mathcal{R}$ 是改写集合，$\mathcal{A}(r)$ 是对应动作候选集，$s_{\psi }$ 为对齐分数。论文强调“同时扩展 $|\mathcal{R}|$ 与 $|\mathcal{A}|$”的测试时扩展律。

Experiment reading guide

优先看：

1. 在 SIMPLER 上 ID/OOD 分别 +22%/+13% 的收益来自哪个环节（改写数 vs 候选数）；
2. 真实机器人 +45% 改进是否稳定跨任务；
3. verifier 的误选模式（语义正确但动力学不可行，或相反）。

Limitations

• 强依赖测试时算力与候选多样性；
• 若 verifier 对接触动力学理解不足，可能偏好“语义像对但物理不可执行”的动作。

Future work

• 把接触可行性/安全约束并入 verifier；
• 做预算感知推理，动态分配改写与候选采样数量。

Graph: Paper Node 2602.12281