Title: SimVLA: A Simple VLA Baseline for Robotic Manipulation
Authors: Yuankai Luo, Woping Chen, Tong Liang, Baiqiao Wang, Zhenguo Li
arXiv: https://arxiv.org/abs/2602.18224
Problem framing
VLA 领域近期改法很多（空间先验、token重排、额外模块），但训练细节常不统一，导致“改进来自方法还是 recipe”难以判断。SimVLA 试图给出一个干净、可复现、参数少的基线，把比较基准拉回同一起跑线。
Core method
SimVLA 的核心不是追求复杂模块，而是最小必要设计：
- 标准化输入编码与动作解码接口；
- 统一训练配方（数据清洗、采样策略、优化日程）；
- 用强可复现实验协议做横向比较。
它的价值在于“测量学”，即先把 benchmark 噪声压低，再讨论架构创新。
Key equations and mechanisms
论文更偏系统基线，数学核心可视为经验风险最小化加轻量正则：
\min_ heta \; \mathbb E_{(o,l,a)\sim\mathcal D}ig[\ell(\pi_ heta(o,l),a)ig] + \lambda\| heta\|^2机制重点不在新损失，而在协议一致性：同配方下比较各模块，减少 confounders。
Experiment reading guide
看两条主线：
- 同等训练预算下，SimVLA 与复杂方法差距是否缩小；
- 跨数据集/任务迁移，基线稳定性是否优于“单点高分方法”。
若成立，说明社区需要更重视“公平比较基础设施”。
Limitations
- 基线强不等于上限高；
- 对超长时程规划或多机协作，简单架构可能不足；
- 若数据分布偏窄，协议再干净也难给外推结论。
Future work
可在 SimVLA 基线之上引入可插拔模块库（世界模型、检索记忆、动作tokenizer）并保持同协议评测，形成“方法增益可归因”框架。
Replication angle
这是很适合内部基准化的论文：把你现有 pipeline 映射到 SimVLA 协议，先得到可复现 baseline，再评估新模块的真实边际收益。
Figure: arXiv source 含 fig1（通常是框架/结果总览），可直接用于读图入口。
Graph: Paper Node 2602.18224