VLA Guidance / World-Change / Visual Prompt 六篇横向对比

总览结论

Idea 空间

Benchmark

碰撞风险

对我们方案

单篇入口

本页基于 6 篇 PDF 原文核对与本地 rp 分析文件整理；代码仓库除 SwiftVLA/OASIS 已有页面外，本轮未在本地找到其余四篇源码。目标不是复述论文，而是判断它们对当前课题的边界约束。

最终结论

这 6 篇已经把“VLA 外部引导/视觉提示/世界变化/进度/几何中间表示”的主要自然方向占掉了大半。当前 2D-RPF/CAPE 如果想发顶会，不能再停留在“画提示、估进度、预测哪里变、引入轨迹/几何”这几个泛化表述上。

最稳的差异化表述应是：动作候选的任务关系进展验证。即给定 language plan、当前 RGB、候选低层动作/动作文本，显式判断这个候选动作是否推动目标对象-目标区域-任务阶段关系朝正确方向变化，并在推理时 rerank/reject，而不是重新训练一个“更会看图的 VLA”。

六篇分别占据什么位置

论文	占据的 idea 空间	一句话边界
Bridge-WA	world-change priorswhere/how changes	已经占据“预测世界哪里变、怎么变并注入 policy”。
ProgressVLA	progress guidancediffusion gradient	已经占据“任务进度估计 + 推理时引导扩散动作”。
TraceVLA	2D visual tracehistory prompting	已经占据“CoTracker 2D 历史轨迹画到图像上增强 VLA”。
VP-VLA	visual prompt interfaceinstruction decomposition	已经占据“System-2 分解指令 + SAM 画 crosshair/bbox + VLA 执行”。
SwiftVLA	4D distillationlightweight VLA	已经占据“训练时学 4D 时空动态、推理时丢 4D”的效率路线。
OASIS	SE(3) trajectoryaction-space alignment	已经占据“用 SE(3) 末端轨迹把中间表示对齐动作空间”。

对顶会选题的硬约束

不能只说“我们提升 VLA 指令跟随”，这太泛。
不能只做“结构化 instruction + 目标框/点提示”，VP-VLA 已覆盖。
不能只做“历史 2D 轨迹提示”，TraceVLA 已覆盖。
不能只做“进度估计引导动作”，ProgressVLA 已覆盖。
不能只做“预测未来变化区域/flow”，Bridge-WA 已覆盖。
不能转向“SE(3) 轨迹中间表示”但又不做 3D/外参/深度，OASIS 已是强参照。

机制维度对比

维度	Bridge-WA	ProgressVLA	TraceVLA	VP-VLA	SwiftVLA	OASIS
输入提示	future tokens/change/flow priors	progress scalar	原图+trace图	原图+visual prompt图	训练期2D+4D特征	RGB+metric depth features
是否预测未来	是，未来变化 teacher	间接，world model 预测 future latent	否，历史 trace	否，当前阶段提示	训练期未来轨迹监督	预测未来 SE(3) 轨迹
是否推理时引导	policy conditioning	classifier guidance 修正扩散采样	输入增强	输入接口增强	推理无 4D，知识内化	中间表示进入动作解码
是否依赖 3D	主要视觉变化先验	视觉 latent	2D RGB	2D RGB	4D 几何 teacher，但推理纯 RGB	metric depth + SE(3)
对我们最相关	where/how change	progress guidance	2D trace	visual prompt + instruction structuring	时空表征蒸馏	轨迹/动作空间对齐

从“提示”到“验证”的差别

VP-VLA
告诉策略看哪里

→

TraceVLA
告诉策略刚才怎么动

→

ProgressVLA
告诉采样如何提高进度

→

建议路线
判断候选动作是否真的让关系进展

这就是 2D-RPF/CAPE 还能站住的位置：不是给 VLA 更多输入，而是给 VLA 的候选输出一个结构化、对象中心、任务阶段相关的“验收器”。

Benchmark 与任务覆盖

论文	Benchmark/平台	任务/评测重点	为什么选这些
Bridge-WA	VLABench, RoboTwin2.0, LIBERO-Plus, Dobot 真机	复杂操作、Easy/Hard、OOD 变体、真实桌面任务	验证 world-change priors 是否提升“哪里/如何变化”的跨场景操作。
ProgressVLA	CALVIN ABC→D, LIBERO, ARX AC-One 真机	CALVIN 连续五任务；LIBERO Spatial/Object/Goal/Long；真实操作	progress guidance 天然适合长程、多阶段和目标完成度评测。
TraceVLA	SimplerEnv, WidowX-250 真机, LIBERO	相机/光照/背景/干扰物变体；8 个 WidowX 任务；LIBERO 四套件	验证 2D 历史轨迹对空间-时序鲁棒性的贡献。
VP-VLA	RoboCasa-GR1-Tabletop, SimplerEnv, 真实 OOD	24 个厨房 tabletop 多阶段任务；4 个 SimplerEnv 任务；waste sorting / colored egg / egg carton placement	直接验证视觉提示接口对 OOD 物体、颜色、位置指令跟随的帮助。
SwiftVLA	RoboTwin2.0, LIBERO, 真实任务, Jetson Orin	短/中/长程任务、LIBERO 四套件、真机和边缘效率	证明 4D 蒸馏能让轻量 VLA 保持时空能力且低延迟。
OASIS	LIBERO, CALVIN ABC→D, 真机 OOD	LIBERO 四套件；CALVIN 五连任务；背景/视角/人为干扰	验证 SE(3) 中间表示对几何精确操作和 OOD 真实部署的价值。

关键数字

论文	代表结果	解读
Bridge-WA	VLABench Avg SR 52.8；LIBERO-Plus Avg 72.1；Dobot Hard 69.1%	world-change priors 对复杂和真机 hard split 有明显价值。
ProgressVLA	CALVIN Full Avg.Len 3.73；LIBERO Full Avg 84.5	progress guidance 对长程和扩散采样有稳定增益。
TraceVLA	LIBERO Avg 74.8 vs OpenVLA 70.6；Long 54.1 vs 45.7；真机约 3.5× OpenVLA	2D trace 对历史依赖和长程任务帮助更大。
VP-VLA	RoboCasa Avg 53.8 vs QwenOFT 48.8；SimplerEnv 58.3；colored egg OOD color 75.0 vs 29.2	visual prompt interface 对精确 grounding/OOD 指令跟随非常直接。
SwiftVLA	LIBERO Avg 94.7；Jetson Orin 0.167s/1398MB/SR 0.76	效率路线强，不是我们当前主要竞争点，但说明时空知识可训练期蒸馏。
OASIS	LIBERO 97.6；CALVIN 4.57/五连 83.3；真机 89.2；OOD 90.8	几何中间表示路线很强，但需要 metric depth/SE(3) 设定。

与当前 2D-RPF/CAPE 的碰撞矩阵

我们可能想说	会撞谁	为什么撞	避让方式
预测世界哪里会变、怎么变	Bridge-WA	change map / motion-flow map 已是核心贡献	改成“候选动作是否导致正确关系进展”，不是预测全局变化先验。
用任务进度引导动作	ProgressVLA	progress estimator + world model + classifier guidance 已覆盖	不要用单标量 progress；做对象-关系-阶段分解的 action suitability。
用 2D 点轨迹增强时空理解	TraceVLA	CoTracker visual trace prompting 已覆盖	轨迹只能作为证据之一，不能作为主贡献。
把 instruction 结构化，再画目标框/点	VP-VLA	System-2 planner + SAM3 + crosshair/bbox 已覆盖	结构化和视觉提示只做前端，主贡献放在 action verification。
训练时引入时空/4D 表征，推理时高效	SwiftVLA	4D distillation 已是完整论文	除非有强新模态/新蒸馏机制，否则不作为主线。
对齐图像轨迹/语言/末端轨迹	OASIS + TraceVLA	OASIS 对齐 SE(3) 轨迹，TraceVLA 对齐 2D visual trace	若坚持 2D，应明确“不预测/回归轨迹本身，而评估候选动作造成的关系变化”。

最危险的方案表述：“我们把语言指令结构化，利用 2D 图像轨迹和视觉提示增强 VLA 的空间-时序理解，从而提高 OOD 指令跟随。”这句话几乎同时撞 VP-VLA、TraceVLA、ProgressVLA。

更安全的方案表述：“我们提出 relation-progress verification：把 VLA/DP/ACT 生成的候选低层动作转化为可验证的对象-区域-阶段关系进展问题，在推理时显式拒绝 wrong-object、wrong-region、wrong-stage、no-progress 动作。”

建议的最终机制骨架

结构化指令
stage / target / relation

→

候选动作生成
VLA / DP / ACT / LAP

→

短视界视觉后果/运动证据
2D flow / mask / trace / latent

→

Relation Progress Verifier
对象-区域-阶段评分

→

rerank / reject / repair

三个必须做出的新意

从“目标提示”升级到“候选动作验收”：VP-VLA 告诉策略看哪里；我们判断策略给出的动作是否会让正确关系进展。
从“单标量进度”升级到“错误类型可解释进展”：ProgressVLA 的 progress 是 p∈[0,1]；我们输出 wrong-object / wrong-region / wrong-stage / no-progress 等分解错误。
从“历史轨迹输入”升级到“动作-后果一致性”：TraceVLA 用历史 trace；我们要用候选动作导致的短期视觉/关系变化作为证据。

最小可验证闭环

阶段	要交付	通过标准
Week 1	在 LIBERO/SimplerEnv 上生成候选动作集和失败类型标注脚本	能稳定复现 baseline failure，并分出 wrong object/region/stage/no-progress。
Week 2	实现 2D relation progress verifier	offline 能区分正确动作与 plausible-but-wrong 动作；不仅看分类准确率，还看候选排序。
Week 3	接入 reranking/rejection 到现有 policy	标准任务成功率不下降，counterfactual/OOD split 明显下降错误率。
Week 4	对比 VP-VLA/TraceVLA/ProgressVLA 风格 baseline	证明不是画框、不是历史 trace、不是单标量 progress 带来的收益。
Week 5	消融 + failure case + 论文图	能讲清“关系进展验证”作为新能力维度成立。

如果 Week 2 发现 verifier 只能在离线数据上分类准确、但不能改变 candidate action selection，课题应降级为诊断/数据论文，不宜继续包装成顶会主线。

单篇网页入口

Bridge-WA 精读：where/how world changes、future/change/flow priors。
ProgressVLA 精读：progress estimator、world model、classifier guidance。
TraceVLA 精读：CoTracker visual trace prompting。
VP-VLA 精读：System-2 planner、SAM3 visual prompt、grounding loss。
SwiftVLA 精读：4D distillation、mask-and-reconstruct、边缘效率。
OASIS 精读：SE(3) trajectory prediction、action-space alignment。