当人工智能与机器人技术的融合日益深入，视觉-语言-行动（VLA）模型正被寄予厚望，被视为通往通用机器人时代的关键路径。然而，现实却暴露出当前主流模型的明显软肋——空间感知能力的严重缺失。像OpenVLA、RT-2这类依赖二维RGB图像作为输入的系统，在面对真实世界中复杂、无序的空间结构时，往往“看得见”却“看不准”，尤其在判断物体深度和空间位置关系上频频失灵，这种被称为“空间失明”的缺陷，极大限制了机器人的实际操作能力。
为突破这一瓶颈，原力灵机团队交出了一份全新答卷：GeoVLA。这款新型VLA框架并未抛弃现有视觉语言模型（VLM）强大的语义理解能力，而是通过引入革命性的双流架构，为其补上了三维感知的“眼睛”。其核心创新在于构建了两条并行且协同的信息处理通路：一条是基于点云嵌入网络（PEN）的几何感知通道，另一条则是结合空间感知动作专家（3DAE）的动作决策通路。正是这一设计，让机器人首次真正具备了对周围环境进行立体化、精确化空间建模的能力。
GeoVLA的设计哲学在于任务解耦与功能专精。它让传统的VLM专注于高阶语义理解——即“识别物体是什么”，而将空间定位与几何推理的任务交由专门的点云网络处理——即“确定物体在哪里、如何摆放”。整个框架以端到端的方式整合了三大核心模块：语义理解流、几何感知流与动作生成流，三者高效协作，使机器人在执行抓取、移动、组装等复杂操作时，决策更加精准、动作更加稳健。
实测数据印证了其卓越性能。在权威的LIBERO基准测试中，GeoVLA以97.7%的任务成功率刷新纪录，大幅超越此前的最优模型。而在更具挑战性的ManiSkill2物理仿真环境中，面对形态各异的物体和多变的观察视角，GeoVLA依然展现出极强的适应性与稳定性，成功率遥遥领先。更关键的是，它在分布外（out-of-distribution）场景下的出色表现，证明了其不仅能在标准条件下运行，更能应对真实世界中层出不穷的意外与变化。
这一突破性进展，标志着机器人从“平面认知”迈向“立体智能”的重要一步。GeoVLA所展现的强大鲁棒性与泛化能力，为未来家庭服务、工业自动化乃至特种作业等应用场景打开了新的想象空间，或将加速推动智能机器人真正融入人类日常生活。
项目地址:https://linsun449.github.io/GeoVLA/
