当前机器人系统在应对陌生任务与环境时，常因依赖有限数据和固定动作定义而表现欠佳，多场景通用泛化能力成为关键瓶颈。针对这一问题，智元机器人与香港大学共同研发了UniVLA——一种能够在不同机器人本体、场景与任务间实现泛化的通用策略学习系统。该系统构建了以任务为中心的隐式动作空间，融合语言指令与视频数据，完成从视觉理解、语义解析到动作执行的通用控制闭环。
现有如RT-2、OpenVLA等模型虽具有一定通用性，却仍面临诸多瓶颈：训练数据多来源于人工采集的真机示范，未能充分引入多样化的视频资源；在不同机器人平台间迁移时，常需重新构建动作空间；此外，自回归推理方式导致响应速度较慢，且误差容易逐步累积。
UniVLA采用了一种不同的技术路径。它不直接输出具体动作，而是先构建一个任务导向的隐式动作空间作为中间表征，再通过轻量解码将其转化为控制指令。该框架的运作分为三个阶段：首先，通过逆动力学建模与表征离散化，从多领域视频中学习紧凑的隐式动作表示；其次，基于大模型架构将视觉与语言信息映射为隐式动作序列，形成机器人无关的通用策略；最后，使用小型解码器实现隐式动作到真实控制信号的转换，支持跨平台高效部署。
相较于OpenVLA，UniVLA在多项指标上展现出显著提升。其隐式动作空间不仅提高了对互联网视频数据的利用能力，还将推理速度提升至10Hz以上。在LIBERO与CALVIN等操控基准测试中，任务成功率平均提高18.5%。尤为突出的是，仅借助10%的训练数据，该系统在LIBERO-Goal任务中取得了62.4%的成功率，显著高于同等条件下的对比模型。
UniVLA还凭借仅12M参数的简单动作解码器，在“清理案板”等任务中实现超过80%的成功率，并维持较低推理延迟。
UniVLA通过隐式动作空间的设计，在保持高性能的同时降低对数据与算力的依赖，为机器人在多任务、多场景中的通用部署提供了新的实现路径。这一突破也体现出机器人学习的转变：从依赖精确动作重建，走向以语义理解为引导的隐式动作泛化。
