VLANeXt: Rezepte für den Aufbau starker VLA-Modelle
VLANeXt: Recipes for Building Strong VLA Models
February 20, 2026
papers.authors: Xiao-Ming Wu, Bin Fan, Kang Liao, Jian-Jian Jiang, Runze Yang, Yihang Luo, Zhonghua Wu, Wei-Shi Zheng, Chen Change Loy
cs.AI
papers.abstract
Nach dem Aufstieg großer Basismodelle entstanden Vision-Language-Action-Modelle (VLAs), die starkes visuelles und sprachliches Verständnis für das Lernen allgemeiner Strategien nutzen. Dennoch bleibt die aktuelle VLA-Landschaft fragmentiert und explorativ. Obwohl viele Gruppen eigene VLA-Modelle vorgeschlagen haben, erschweren Inkonsistenzen in Trainingsprotokollen und Evaluierungsumgebungen die Identifizierung wirklich relevanter Designentscheidungen. Um dieser sich entwickelnden Landschaft Struktur zu verleihen, untersuchen wir den VLA-Designraum unter einem einheitlichen Framework und Evaluierungsaufbau neu. Ausgehend von einer einfachen VLA-Basislinie ähnlich RT-2 und OpenVLA systematisieren wir Designentscheidungen entlang drei Dimensionen: grundlegende Komponenten, Wahrnehmungselemente und Handlungsmodellierungsperspektiven. Aus dieser Studie destillieren wir 12 zentrale Erkenntnisse, die zusammen ein praktisches Rezept für den Aufbau starker VLA-Modelle bilden. Das Ergebnis dieser Exploration ist ein einfaches, aber effektives Modell namens VLANeXt. VLANeXt übertrifft bisherige State-of-the-Art-Methoden auf den Benchmarks LIBERO und LIBERO-plus und zeigt starke Generalisierungsfähigkeit in realen Experimenten. Wir werden eine einheitliche, benutzerfreundliche Codebasis veröffentlichen, die als gemeinsame Plattform dient, um unsere Ergebnisse zu reproduzieren, den Designraum zu erkunden und neue VLA-Varianten auf einer gemeinsamen Grundlage zu entwickeln.
English
Following the rise of large foundation models, Vision-Language-Action models (VLAs) emerged, leveraging strong visual and language understanding for general-purpose policy learning. Yet, the current VLA landscape remains fragmented and exploratory. Although many groups have proposed their own VLA models, inconsistencies in training protocols and evaluation settings make it difficult to identify which design choices truly matter. To bring structure to this evolving space, we reexamine the VLA design space under a unified framework and evaluation setup. Starting from a simple VLA baseline similar to RT-2 and OpenVLA, we systematically dissect design choices along three dimensions: foundational components, perception essentials, and action modelling perspectives. From this study, we distill 12 key findings that together form a practical recipe for building strong VLA models. The outcome of this exploration is a simple yet effective model, VLANeXt. VLANeXt outperforms prior state-of-the-art methods on the LIBERO and LIBERO-plus benchmarks and demonstrates strong generalization in real-world experiments. We will release a unified, easy-to-use codebase that serves as a common platform for the community to reproduce our findings, explore the design space, and build new VLA variants on top of a shared foundation.