SimpleVLA-RL

数据配方

少量 SFT 加大量在线 rollout：在 OpenVLA-OFT 上做在线 RL，奖励是二值 outcome，由仿真自动判分给出，不需过程奖励 [1]。全部在仿真中完成，数据主体是策略自己的 rollout。

结果与证据

LIBERO 平均成功率 91%→99%（SoTA）；RoboTwin 2.0 38.3%→68.8%（相对提升 80%），RoboTwin 1.0 39.8%→70.4%；单轨迹 SFT 下 LIBERO-Long 17.3%→91.7% [1]。真机平均 17.5%→38.5%（+21.0 pt，约 120% 相对）；论文文字称 Stack Bowls 提升 96%（32%→70%），与表 6 基线 38.0% 不符 [1]。

已知缺陷与口径

二值奖励依赖仿真判分，真机无等价物。收益集中在基准环境，真机结论证据弱。与 π*0.6 / RECAP 的真机 RL 数据路线不同。

来源

1. arXiv 2509.09674 (2026-10-14)