FoveaVLA 用学习式注视动作替代腕部相机，成功率升至 70.8%

bingaochen 团队推出 FoveaVLA，一种用「学习到的注视动作」替代腕部相机的 VLA 模型：策略先预测下一步该看哪里，再从外部相机全分辨率图像中裁剪该区域作为中央凹特写。仅用一个外部相机，48 次真实世界试验成功率达 70.8%，优于带腕部相机的 π0.5（52.1%）。无需额外演示数据和相机标定，论文、代码与模型权重均已开源。