VLA真的掌握基础知识吗？测量视觉语言动作模型的常识与世界知识保留

论文提出Act2Answer协议，将VLM知识问答改造成桌面机器人中的单步物体放置任务，用动作选择答案，减少低层控制对知识评估的干扰。对7个VLA和9个VLM基线的大规模研究显示，VLA能保留简单概念，但在更丰富语义类别上相较源VLM出现更大差距；VQA联合训练与更好的知识保留相关，答案信号主要位于中间层。