以下为上游提供的源文稿，可能存在识别错误。
乔木转写是基于源文稿的中文提炼，不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇，慢慢读
从左侧挑一篇，正文会在这里排成书页。
Reliable robotic manipulation requires both semantic understanding and precise control in three-dimensional space. However, vision-language-action (VLA) foundations largely inherit visual representations from 2D vision-language pre-training, while spatial supervision is often introduced only during task-specific adapta
阅读原文 · Fuhao Li, Wenxuan Song, Qizhou Huang, Ziyang Zhou, Jingbo Wang, Junwu E, Pengwei Wang, Yan Wang, Shunbo Zhou, Haoang Li
向阳乔木 · opencode-go/deepseek-v4.1-flash
这篇论文值得看，原因很直接：它把“空间理解”当成 VLA 的基础能力来训练，不再等到下游任务微调时才补。 现在多数视觉语言动作模型（VLA）的视觉表征来自 2D 图文预训练，三维空间感是后来在具体任务里补的。SLA 想把这个顺序倒过来，在持续预训练阶段就让模型学会空间对齐。 如果你在做机器人操作、VLA 训练管线，或者关心怎么把异构机器人数据用起来，这篇的工...