ReFineVLA：通过教师引导微调实现多模态推理感知的通用机器人策略

视觉 - 语言 - 动作（VLA）模型虽能将多模态观测转化为机器人动作，但常忽略显式推理步骤，导致复杂长程任务中可解释性与泛化性不足。本文提出 ReFineVLA 框架，利用专家教师模型生成推理依据增强数据集，指导 VLA 学习动作背后的逻辑。通过在推理增强数据上微调预训练模型，该方法在保持泛化能力的同时显著提升了推理水平。注意力可视化证实了模型在视觉、语言与动作域间的有效对齐。在 SimplerEnv 基准测试中，ReFineVLA 取得了最先进的成功率。