一个框架同时吃掉 3D 操作的三个老大难——BridgeVLA++ 的务实解法

我的立场：这篇论文最值得关注的不是它刷新了榜单，是它选择的修复方式——不动基座模型，只在旁边加一个小而精准的记忆模块。这代表一种和「继续堆大模型」完全相反的技术路线，如果这个模式能被验证具有普适性，会显著降低小团队参与机器人 3D 操作研究的门槛。

3D 操作领域的三个老大难

把 3D 感知信号接入视觉语言模型（VLM）做机器人动作预测，长期存在三个难点：3D 输入和 2D 预训练的视觉语言模型天然不对齐（点云数据和 VLM 习惯处理的 2D 图像在表示空间上不一致，直接接入效率低）；动作预测缺乏统一的输出空间（不同任务的动作表示方式五花八门，模型很难复用同一套预测机制）；需要记住任务早期发生的事情时严重失效（大多数 3D VLA 模型是「无记忆」的，只看当前这一帧做决策，遇到需要参照几步之前场景状态的任务就会崩）。前两个问题在前作 BridgeVLA 里已经通过「把 3D 输入投影成多视角 2D 图像、用 2D 热力图统一动作预测」的方式解决；BridgeVLA++ 要补的是第三个——记忆缺失。

务实解法：不动骨干网络，只加一个记忆模块

BridgeVLA++ 的做法是保留 BridgeVLA 冻结的 PaliGemma 3B 骨干网络，额外挂上一个时空记忆模块，参数量约 2.6977 亿，相当于给 3B 规模的骨干网络增加约 9.2% 的开销——不是重新训练一个更大的模型，是精准地在旁边加一块专门处理记忆的组件。这个模块包含两部分：时间记忆（缓存锚点视角、相邻关键帧、自适应选取的子目标关键帧）和空间记忆（在当前精细操作阶段的相机视角下，重新渲染任务开始时的初始点云）。这套组合让模型在执行到任务后期时，仍能「回头看」任务早期的场景状态，而不是只依赖当前这一帧的信息做判断。

务实到什么程度：具体数字说话

论文报告 BridgeVLA++ 在 RLBench 上平均成功率达到 93.7%（基线 BridgeVLA 为 90.5%），在存在分布偏移的 COLOSSEUM 基准上达到 65.2%——这两项提升幅度不算惊艳，说明记忆模块对「不特别依赖记忆」的常规任务帮助有限。真正的差异出现在专门测试记忆依赖能力的 RMBench（双臂、需要记住早期状态的基准）：无记忆的 BridgeVLA 只能拿到 18.9%，加上记忆模块的 BridgeVLA++ 跳到 96.0%；单臂的 MemoryBench 上更是达到 99.7%。真机测试用 Franka Research 3 和 Dobot CR5A 两款机械臂，每个任务只用 10 条示教演示就完成验证。这个数据分布本身就是最有说服力的论证：记忆模块几乎不影响常规任务的表现，但在真正需要记忆的任务上带来了接近五倍的提升，说明这个补丁精准地打在了问题的根子上，不是靠整体堆参数换来的普遍性提升。