视觉-语言-动作（VLA）模型借助大规模视觉-语言预训练，实现了灵活的机器人操作能力，但在测试阶段仍有两个明显的脆弱点。其一是空间泛化：当物体位置与训练时所见不同，模型表现就会下降；其二是任务泛化：当熟悉的场景被配上与训练时不同的语言指令，模型同样容易失效。围绕这两个问题，已有越来越多方法尝试为策略注入空间与任务感知信息，例如用二维像素坐标来定位物体和放置位置。然而，来自 arXiv 2606.27663v1 的这篇论文指出，现有的通过语言提示或视觉提示进行的表征并未真正解决上述局限；相反，采用基于三维点的表征并将其直接送入动作头，能够带来显著提升，这说明关键并不只是引入 grounding 信号，而在于该信号以何种形式表征、以及如何注入 VLA。
基于这一发现，作者提出了一个轻量、与模型无关的模块。该模块将 grounding 信号表示为三维点，计算其相对于夹爪的位移，再通过自适应层归一化（adaptive layer normalization）把由此得到的空间嵌入直接注入动作头。整个模块只是一个两层 MLP，不需要修改 VLA 主干网络，也不需要改动预训练流程，因此可以方便地叠加在已有预训练模型之上。
实验结果集中在 LIBERO-PRO 基准上。在任务扰动条件下，该方法将 GR00T-N1.6 的平均成功率从 31.2 提升到 77.5；在位置扰动条件下，则从 28.1 提升到 60.2，两项增益分别为 46.3 和 32.1 个百分点。作者还报告，$\pi_{0.5}$ 也取得了可比的增益，说明该机制并不依赖特定主干，具有骨干无关性。
论文的核心结论是：只要把足够的 grounding 信息提升到三维空间，并将其直接注入动作头，就能同时解锁 VLA 的空间泛化与任务泛化能力；而实现这一点，仅需在预训练主干之上加一个轻量模块即可。该工作由 Shiang-Feng Tsai 等 7 位作者完成，于 2026 年 6 月 26 日提交至 arXiv，属于机器人学（cs.RO）方向，论文编号为 arXiv:2606.27663v1。