Domain Maps

Domain Map

核心认知地图，所有 Papers/Ideas/Experiments 的精华汇聚于此。 每个 domain 独立一个文件，便于精准维护和 skill 读写。

Domains

Domain	文件	说明	最后更新
Vision-Language-Action Models	VLA	Vision-Language-Action 模型	2026-04-01
Vision-Language Navigation	VLN	Vision-Language Navigation	2026-04-01
Spatial Representation	SpatialRep	语义 SLAM 与空间表示	2026-04-01
World Models	WorldModel	World Models for Embodied AI	2026-04-01
Computer-Use Agents	CUA	GUI/OS/Web Agent for Computer Use	2026-04-02

新增 domain：创建 DomainMaps/{Name}.md，使用 Templates/DomainMap.md 模板，在上表添加一行。

Cross-Domain Insights

• VLN-VLA 架构趋同：两个领域都在向 hierarchical VLM reasoning + low-level policy execution 的架构收敛。NaVILA 直接将 VLN 重构为 navigation VLA；DM0 首次在同一框架中训练 navigation 和 manipulation。详见 VLN-VLA-Unification。
• Spatial representation 是统一的关键瓶颈：VLN 依赖显式空间表示（topological map、TSDF），VLA 通常无显式空间表示（end-to-end）。GTA 的 explicit world representation 和 PROSPECT 的 3D-2D fusion 证明显式 3D 信息对两者都有价值。3D scene graph 仍是最有潜力同时服务两者的表示形式。详见 SpatialRep。
• Embodied Reasoning 是跨 domain 核心能力：GRPO-based RL 已成为 embodied reasoning 的 de facto 训练范式（Robot-R1, Embodied-R, Embodied-R1, VLN-R1），in-domain reasoning data 远比 OOD 数据有效（VLASER），explicit spatial representation 大幅提升 navigation reasoning。详见 Embodied Reasoning Survey。
• World Model 正在成为 VLA 的 foundation：DreamZero 和 Motus 证明 video generation 能力可直接转化为 motor control，zero-shot 泛化远超纯 VLA。World-VLA-Loop 验证 world model 可替代真实环境做 VLA RL training。World model 有望成为连接 VLN、VLA、Spatial Rep 三个 domain 的统一基础。详见 WorldModel。
• Data recipe 比 model scale 更重要：跨所有 domain 的一致发现——SmolVLA（0.45B）> OpenVLA（7B），X-VLA（0.9B）6 benchmark SOTA，DM0（2B）> π0.5（3B）。训练策略（gradient decoupling、soft prompt、data pyramid）的杠杆效应远大于单纯 scaling。
• CUA 与 VLA 的技术栈正在收敛：两个领域共享 VLM backbone + action prediction + RL training 的核心架构。CUA 的 Entropulse（RL/SFT 交替防 entropy collapse）、data flywheel（质量分流自增强）、reflective CoT（error detection + recovery）等训练范式可能直接迁移到 VLA。CUA 的 grounding 技术（SeeClick、GroundCUA）也可启发 embodied scene grounding。ComputerRL 9B > o3 和 GroundNext 3B > 72B 再次验证”方法 > 规模”的跨域规律。详见 CUA。