近日，来自arXiv的一篇论文提出了DiMaS（Distribution Matching for Steering），这是一种针对流匹配视觉-语言-动作（VLA）模型的分布匹配引导策略。VLA模型已成为机器人操作领域的强大策略，但细粒度行为控制——即通过干预内部表示来调节机器人执行任务的方式——一直是一个未充分探索的关键能力。该论文由Pegah Khayatan等四位作者共同完成，于2026年7月15日提交，代码已开源在GitHub上，并提供了补充结果和视频。
在语言和视觉-语言模型中，表示引导是一种成熟的解释工具，通常将行为特征编码为线性方向。然而，研究团队发现这些经典方法在VLA中效果不佳。为此，他们提出了DiMaS，该方法不是在固定方向上移动，而是在表示分布之间进行传输，从而有效控制行为。在两种最先进的VLA模型上的实验验证了其有效性，证明了DiMaS能够在不改变模型参数的情况下，通过干预中间表示来改变机器人的行为模式，例如调整抓取速度或运动轨迹。
研究进一步探讨了该策略的可迁移性：随着学习任务与评估任务之间差异增大，行为控制的迁移效果会发生变化。作者设计了不同相似度的任务对，系统性地评估了DiMaS的泛化能力。结果表明，当任务高度相似时，控制效果几乎完全迁移；但随着差异增大，迁移效果逐渐减弱，这揭示了VLA模型内部表示的任务依赖性。
通过分析动作专家的表示结构，论文解释了经典线性引导在视觉运动设置中失效的原因：行为特征虽然线性可解码，但不可线性引导。这意味着可以轻松从表示中读取行为意图，但无法通过简单的线性插值来改变行为。这一发现促使了DiMaS的分布匹配设计，其核心思想是将行为控制视为一个最优传输问题，通过最小化两个分布之间的差异来实现平滑的行为干预。
该研究的代码已公开在GitHub上（https://github.com/pegah-kh/dimas），并提供了补充结果和视频（https://pegah-kh.github.io/dimas/）。DiMaS为机器人操作中的细粒度行为控制提供了新的思路，特别是在需要精确调节机器人动作的场景中具有潜在应用价值，例如在装配任务中调整末端执行器的速度，或在人机协作中改变机器人的反应灵敏度。