---
title: "Latent-Action Pretraining"
created: 2026-06-24
updated: 2026-06-24
type: concept
tags: ["vla", "pretraining", "robot-learning", "latent-representation"]
sources:
  - "[[vla-jepa-2026]]"
---

# Latent-Action Pretraining

Latent-Action Pretraining 是从无标注视频学习 VLA 策略的预训练范式：先学习视频中的表示和转移结构，再适配到下游控制任务。

## 标准流程

1. 从视频数据学习 latent action 表示
2. 将 latent action 对齐到真实动作空间
3. 在控制数据上微调策略

## 当前方法的四类失败

VLA-JEPA 识别出四个系统性缺陷：

| 类型 | 原因 | 表现 |
|------|------|------|
| [[appearance-bias-vla|外观偏见]] | 像素级目标 | 学习纹理/光照变化而非动作语义 |
| 噪声运动 | 相机运动主导信号 | latent action 编码相机抖动 |
| [[information-leakage-vla|信息泄漏]] | 未来作为输入 | latent action 坍缩为编码未来 |
| 多阶段脆弱性 | 流水线复杂 | 阶段间不一致，工程负担重 |

## VLA-JEPA 的修复

用 JEPA 范式替代像素预测：leakage-free state prediction + latent space alignment。

## 参考
- [[vla-jepa-2026]]
- [[vla-vision-language-action]]
- [[leakage-free-state-prediction]]
- [[appearance-bias-vla]]
- [[information-leakage-vla]]