常用简称： Dream-VL、Dream-VLA（之前有另一篇简称为DreamVLA的研究，注意区分）
首发时间： 2025年12月27日（2026年01月04日v2）
主要作者： Jiacheng Ye、Shansan Gong、Jiahui Gao 等
发表机构： 香港大学、华为技术有限公司

文章导读

目前大部分 VLA 模型基于的自回归式 LLM/MLLM Backbone 在复杂视觉规划中能力受限，因此本研究将该 Backbone 替换为扩散式，在主流 Benchmarks上取得了较好的表现；
针对问题： 现有 VLA 模型的 Backbone 主要基于自回归式构建，存在长时程规划与全局推理瓶颈，推理时易误差累积，且下游适配需架构修改；
研究思路： 基于扩散式 LLM（dLLM）构建 dMLLM，再以其为 Backbone 构建 dVLA 模型；使 dLLM 的双向注意力、全局连贯性和并行生成等优势得以在 dVLA 模型中延续；
研究切入： 以 Dream-7B 为 Backbone，搭配视觉编码器 Qwen2ViT，经多阶段训练得到 Dream-VL，使其兼顾 High-Level 任务规划和 Low-Level 动作生成的能力；再通过任务头的适配+具身数据的预训练、LoRA微调，将其改造为 Dream-VLA，使其专注于 Low-Level 动作的生成任务；

方案实现

基于模型： dLLM：Dream-7B + 视觉编码器：Qwen2ViT
主要对比： Pi0、OpenVLA-OFT、GR00T-N1 等；
评测数据：

• • 模拟：LIBERO、SimplerEnv、ViPlan
• • 实机：松灵PiPER+Intel RealSense D455 相机（Sim2Sim+Sim2Real方式）

主要流程：

主要工作

基于 dLLM 的架构设计： 以 Dream-7B 为主干模型，依次逐级构建 Dream-VL 和 Dream-VLA 。Dream-VL 通过给 Dream-7B 配置视觉编码器 Qwen2ViT 对输入的视觉信息进行编码，结合大量开源多模态数据进行多阶段训练，实现 High-Level 通用视觉理解与规划；Dream-VLA 在其基础上分别经过大量具身场景轨迹数据预训练+少量具身场景轨迹数据LoRA微调，使得 Dream-VLA 具备 Low-Level 具身动作生成输出能力；
多阶段训练与灵活适配策略： Dream-VL 基于 Dream-7B 采用三阶段训练范式，每个阶段之间的区别主要体现在训练数据从基础数据到单图、多图及视频数据的逐步拓展、训练参数的逐渐增加以及一些训练参数的逐渐调整；Dream-VLA 通过 LoRA 微调适配下游任务，支持 L1 回归、连续扩散、流匹配等多种损失函数，无需修改模型架构即可适配不同的下游动作生成任务头，同时实现更快的训练收敛速度；

实验实践

主要结果：

后续方向

• • 系统优化训练数据；
• • 联合涉及 High-Level、Low-Level 的数据进行训练；
• • 改进离散动作表示，扩大实机数据集并深化泛化性评估；

相关链接

原文： https://arxiv.org/pdf/2512.22615

备注：上述论文解析仅针对本文发布时，arxiv上已公开被解析论文的最新版本内容进行；其中所有涉及原论文的图、数据都引用自原论文，如涉及侵权，请及时联系删除；人工解读，难免有错误遗漏，如有发现及时联系修改；如需要深入研究建议阅读原文；

每天10分钟带您了解相关领域研究成果