τ_0-VLA：分层机器人基础模型，采用世界模型引导的测试时计算

τ_0-VLA 是一个分层机器人基础模型，将高层子任务生成视为可扩展计算量的推理问题，借助世界模型引导的测试时计算。在每一步推理中，高层策略利用执行记忆生成子任务，必要时搜索替代方案；低层策略则在多种机器人形态上执行子任务。模型在 40,115 小时异构真实数据上训练，并采用多模态协同训练。实验表明，增加测试时计算可显著提升子任务预测准确率，进而提高长时程操作任务的闭环成功率。

此前大多数分层 VLA 模型每次决策仅用单次前向传播，无法为困难或关键选择分配额外计算。τ_0-VLA 引入测试时计算机制，使高层策略能在必要时搜索替代子任务，这为机器人基础模型在长时程任务中提升决策质量和稳健性提供了新思路，可能推动更可靠的家庭或工业机器人应用。

τ_0-VLA 的关键机制是分层架构：高层策略负责生成子任务，并在测试时通过世界模型引导，对备选子任务进行搜索与评估，从而在计算预算与决策质量间取得平衡；低层策略则专注于具体执行，并可跨多种机器人形态泛化。训练数据规模庞大且包含多模态信息，为模型提供了丰富的先验知识。

对机器人产品而言，该模型有望提高长时程任务的执行成功率，减少人工干预。但测试时计算量的增加可能带来推理延迟，影响实时响应，需要在计算资源与性能间权衡。对研发团队，模型架构复杂度和训练数据需求较高，可能增加开发成本，但若部署得当，可提升产品在复杂场景下的可靠性和自主性。

• 将 τ_0-VLA 应用于家庭服务机器人，提升多步骤家务任务的自主完成率。
• 开发适配低计算资源设备的轻量化版本，以降低实时推理延迟。
• 构建跨机器人形态的共享控制平台，降低多机型部署成本。
• 结合用户反馈数据，优化子任务生成逻辑，提升个性化服务体验。

• τ_0-VLA 在真实产品中落地时，能否满足实时交互的延迟要求？
• 测试时计算增加的算力成本在商业化部署中是否可接受？
• 模型在未训练过的机器人形态或任务上的泛化能力如何？
• 40,115 小时训练数据的获取成本和合规性如何？