**VLA模型是否还保留基础常识？Act2Answer协议评估视觉-语言-动作模型的知识留存**

_Does VLA Even Know the Basics? Measuring Commonsense and World Knowledge Retention in Vision-Language-Action Models_

> 针对具身视觉-语言-动作（VLA）模型在微调后常识与世界知识留存情况不明的痛点，研究提出Act2Answer轻量级评估协议。该协议通过让智能体执行物体放置动作来回答问题，有效分离了知识缺失与控制泛化问题。大规模实验显示，VLA在简单概念上表现稳健，但在丰富语义类别上存在显著知识缺口，且VQA联合训练有助于提升知识留存率。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-07-01 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.19297)