InternVLA-A1.5: 统一理解、潜在预见和行动，实现组合泛化

机器人操作的统一模型旨在使一个策略同时具备预训练 VLM 的语义先验知识和通过未来预测学习的物理动力学。在实践中，现有设计往往会削弱预训练骨干的语义，遭受异构目标之间的干扰，并在像素空间中从头学习未来预测，从而未能利用预训练视频生成器的动力学先验知识。我们提出了 InternVLA-A1.5，它在原生 VLM 骨干上构建策略，该骨干继续在 VQA 和子任务预测上进行训练，并附加了一个轻量级的统一专家用于连续动作生成。未来预测被重新构想为潜在查询问题，其中一小组可学习的预见 token 在冻结的预训练视频生成模型的监督下，将任务相关的未来浓缩成紧凑的潜在代码，因此策略继承了世界模型动力学先验，而无需学习像素级生成。在推理时，视频分支被丢弃，以保持实时控制。InternVLA-A1.5 在 120 万个机器人片段和 300 万个多模态样本上进行预训练，在所有六个模拟基准测试中取得了最佳整体结果。在现实世界中，保留的语义在未见的指令绑定上提供了最强的组合泛化能力，并且这两种设计共同支持了长视程执行。