InternVLA-M1 SimplerEnv-Google 80.7% · LIBERO 95.9%

Shanghai AI Lab · Qwen2.5-VL-3B + DiT action head · 2.3M 空间推理预训练 · 空间 grounding 与 action 双系统 co-training

InternVLA-M1（arXiv 2510.13778）的核心命题：指令和动作之间缺一个 "where to act" 的中间量。传统 VLA 直接从 language 映到 action，遇到空间关系变了 / 物体位置换了 就崩。M1 主张先 grounding 到视觉空间位置（box / point / trace），再映到本体感知的动作。

两阶段管线：(1) 在 2.3M 空间推理数据上 pretrain 空间 grounding —— 学 "where"，与本体无关；(2) 空间引导的 action post-training，通过 plug-and-play spatial prompting 学 "how"—— 本体感知。

关键数字（论文 Table 1-4 口径）

Benchmark	InternVLA-M1	Vanilla VLA	Δ	第二强对手
SimplerEnv Google-Robot VM	80.7	66.1	+14.6	75.1 (SpatialVLA)
SimplerEnv Google-Robot VA	76.0	63.5	+12.5	70.7 (SpatialVLA)
SimplerEnv WidowX VM	71.7	54.7	+17.0	61.9 (GR00T N1.5)
LIBERO 平均	95.9	91.6	+4.3	94.3 (π₀.₅-KI)
LIBERO-Long	92.6	88.0	+4.6	90.6 (GR00T N1)
LIBERO-Object	99.0	98.0	+1.0	98.8 (π₀)
200 tasks Isaac-Sim（自建）	baseline+6.2	baseline	+6.2	超过 GR00T N1.5
真机 clustered pick-and-place	baseline+7.3	baseline	+7.3	—
合成 co-training · unseen objects	baseline+20.6	baseline	+20.6	—

SimplerEnv Google-Robot VM 分任务（论文 Table 1）

任务	InternVLA-M1	CogACT	π₀	OpenVLA
Pick Coke Can	95.3	91.3	72.7	18.0
Move Near	90.0	85.0	65.3	56.3
Open/Close Drawer	75.5	71.8	38.3	63.0
Open Top Drawer & Place Apple	62.0	50.9	—	0.0
Avg (VM)	80.7	74.8	58.8	34.3

SimplerEnv WidowX（论文 Table 2）

任务	InternVLA-M1	GR00T N1.5	CogACT	π₀-FAST
Put Spoon on Towel	87.5	75.3	71.7	29.1
Put Carrot on Plate	67.9	54.3	50.8	21.9
Stack Green on Yellow Block	31.3	57.0	15.0	10.8
Put Eggplant in Yellow Basket	100	61.3	67.5	66.6
Avg	71.7	61.9	51.3	48.3

两阶段管线

Stage 1 · Spatial Grounding Pretrain

2.3M spatial reasoning data · 训 VLM 学 box / point / trace 三种空间输出，与本体无关。

Stage 2 · Spatially-Guided Action Post-training

用 plug-and-play spatial prompting 把 grounding 结果作为条件馈给 DiT action head，产 embodiment-aware 动作。

训练：16× A100 · 50k steps (~2.5 epochs) · robot data batch 256 · multimodal data batch 64 · action chunk 16 · 观察空间 primary camera image + task instruction + spatial prompt。

为什么 co-training 有效（论文 Figure 5）

用 Projection-space Similarity (PSS)（Raghu 2017 SVD 度量）分析梯度子空间对齐：

Vanilla co-train（简单混合 action + spatial 数据）：PSS = 0.25 —— 两个 objective 的梯度方向严重不对齐
InternVLA-M1（spatially-guided 训练）：PSS = 0.42 —— 显著提升的对齐 → 更快收敛、更好操纵性能、更强空间感知

Ablation Table 3 里对比更明显：Vanilla co-train 的空间感知（RefCOCO-g box IoU）到 66.7，而 InternVLA-M1 到 71.2；同时操纵性能 Google-VM 从 70.2 提到 80.7 —— 两个能力都增强，不 tradeoff。