Препринт, опубликованный на arXiv 16 октября 2026 года, показывает: VLA-модель может кодировать параметры манипуляции не как простые независимые числа, а как геометрические структуры в пространстве активаций. Авторы работы A Phenomenology of Neural Geometry in Vision-Language-Action Models исследовали, как политика представляет положение объекта, расстояние до него и ориентацию запястья. Для управления роботом это важно потому, что одной лишь «читаемости» параметра недостаточно: форма его представления может влиять на то, как модель изменяет действие.
Авторы исследовали форму представлений, а не только наличие параметров
Предыдущие методы показывали, что из активаций VLA-моделей можно линейно извлечь значения, связанные с задачей. Новая работа рассматривает следующий вопрос: какую геометрию образуют эти значения внутри модели. Исследователи использовали контролируемые изменения параметров, естественные траектории действий, линейные пробы и вмешательства в активации; так они построили таксономию из семи понятий, связанных с роботизированными задачами.
Расстояние до объекта оказалось двумя «линейками»
В описанном авторами эксперименте с MolmoBot одно физическое измерение — расстояние до цели — представлено в двух ортогональных подпространствах. Первое работает как грубая «линейка» при приближении к объекту, второе — как более точная «линейка» на этапе захвата. Это означает, что изменение расстояния в поведении модели может зависеть от текущей фазы манипуляции, а не сводиться к равномерному перемещению по одной оси.
Ориентация запястья образует дугу
Для ориентации запястья авторы описывают открытую дугу вместо полного круга. Объяснение связано с физическими ограничениями суставов: робот не может одинаково свободно реализовать все возможные ориентации. Поэтому представление, сформированное политикой, отражает доступный диапазон движений, а не абстрактное математическое пространство без ограничений.
Что это меняет для интерпретации и управления
Авторы сообщают, что сходные геометрические структуры обнаружились ещё в двух VLA-моделях на данных реальных роботов, а не только в симуляции или одной конкретной системе. В работе также показано направленное изменение поведения вдоль геометрии, соответствующей выбранному понятию. Потенциально это даёт способ точнее интерпретировать и корректировать действия модели: нужно учитывать не только значение признака, но и направление, размерность и форму его представления.
При этом речь идёт о выводах авторов препринта, а не о независимой оценке надёжности VLA-моделей. Работа показывает повторяющиеся структуры в исследованных моделях и наборах данных, но не доказывает, что все подобные системы используют ту же геометрию или что направленное вмешательство безопасно в любых роботизированных сценариях.
