Green-VLA: Staged Vision-Language-Action Model for Generalist Robots

Paper: arXiv:2602.00919 Code: greenvla/GreenVLA Code reference: main @ 952a80c3 (2026-03-05)

1. Motivation (研究动机)

当前 VLA 的核心问题不是“模型还不够大”这么简单，而是机器人数据和控制接口本身不统一：不同 embodiment 的相机、proprioception、控制频率、action parameterization 都不同；同一个 padding 维度在不同机器人上可能代表完全不同的物理含义；数据质量还混有 jitter、blur、idle / failure segment 和低多样性场景。直接把这些轨迹拼起来做 Behavior Cloning，会把跨机器人差异变成噪声。

论文把传统 BC 写成：

$${\mathcal{L}}_{\mathrm{BC}}={\mathbb{E}}_{(s,a)\sim \mathcal{D}}\left[\Vert {\pi }_{\theta }(s)-a{\Vert }^2\right]$$

这个目标在短 horizon 模仿上有效，但对长任务中的失败恢复、任务级 reward、精确目标选择没有显式优化；当机器人偏离 demonstration manifold 时，BC 也缺少机制把策略拉回安全状态。已有 EO-1 / WALL-OSS 等显式 reasoning VLA 能改善长程规划，但 autoregressive reasoning loop 会增加实时控制延迟。

Green-VLA 要解决的具体问题是：如何在真实 humanoid 部署中保留低延迟控制，同时把 web-scale 语义先验、3,000 小时机器人演示、多 embodiment action、DataQA、JPM guidance 和 RL alignment 串成一个可部署的 staged VLA pipeline。解决后带来的价值是：同一个策略可以跨 humanoid、mobile manipulator、fixed-base arm 迁移，并在 Green humanoid 的 32 DoF 上执行双臂、躯干、头部和 dexterous hands 的真实任务。

2. Idea (核心思想)

Green-VLA 的核心 insight 是：generalist robot 不应该只靠“更多数据 + 单阶段 BC”，而应把不同瓶颈拆成连续 stage：L1 学物理世界和空间语义，R0 学多 embodiment affordance，R1 针对目标 embodiment 做 SFT，R2 再用 reward / Q-gradient / source-noise optimization 处理 BC 饱和后的长程鲁棒性。

与 naive VLA 的根本区别有三点：第一，action space 不再是简单 padding，而是语义固定的 unified slots + embodiment/control prompt + mask loss；第二，数据不是按规模盲采样，而是用 DataQA、optical-flow temporal alignment 和 target sampling schedule 控制质量与速度；第三，推理侧不只输出动作，还引入 episode progress、OOD manifold correction、JPM 目标点和 high-level task planner，让真实机器人可以在长任务中终止、replan 和精确对齐目标。

Figure 1 解读：整体架构由高层 task planner、VLM encoder、flow-matching action expert 和辅助安全/目标模块组成。planner 把用户目标拆成 atomic subtasks；VLM 接收语言、三路相机和 proprioception；action expert 生成 action chunk；episode-end、OOD detector 和 JPM guidance 则分别负责终止判断、安全回拉和精确目标定位。

Figure 2 解读：五阶段训练是论文的主线：L0 是 base VLM，L1 用 web / multimodal VQA 强化物理世界理解，R0 用多 embodiment 机器人数据学通用操控，R1 做 embodiment-specific SFT，R2 做 RL alignment。每个阶段对应不同瓶颈，而不是把所有目标塞进同一个 BC objective。

3. Method (方法)

3.1 数据框架：L1 web data + R0 robotics data + DataQA

L1 使用 24M 非机器人 internet-scale multimodal samples，覆盖 general VQA、pointing、bounding-box prediction、pixel-wise trajectory prediction、multi-view VQA、captioning、spatial reasoning 等。R0 使用 184M robotics-domain samples，合计超过 3,000 小时，来自 humanoid、ALOHA、single-arm 等多种 embodiment。每个 episode 都带语言指令；RGB 和 proprioception 会先做 temporal normalization，使不同来源在“物理进展”上对齐。

Figure 3 解读：L1 mixture 把 RefSpatial、Agibot-derived VQA、RoboPoint、ShareRobot、Robo2VLM、PixMo-Points、MS COCO、A-OKVQA、OpenSpaces、Sun RGB-D 等数据按任务类别重加权。左侧体现 sample count，右侧体现实际 sampling weight；这说明 Green-VLA 并非按 raw count 采样，而是显式平衡 spatial / pointing / robotics-related VQA。

Figure 4 解读：R0 数据混合了 AgiBotWorld twofinger / dexhand、DROID、Galaxea、ActionNet、Fractal、RoboMind、RDT、Bridge、BiPlay，以及自采 Green Humanoid 和 ALOHA any_pick。自采 Green Humanoid 原始 48 小时通过左右镜像与可逆任务 time-reversal 扩到 167 training hours。

Figure 5 解读：Data pipeline 包含 robot-side teleoperation、cloud verification、open-source dataset mining、model training 和 deployment feedback。它的关键不是单次离线清洗，而是通过真实部署反馈持续更新数据和 R2 轨迹。

DataQA 过滤与加权包含：缺相机/缺帧、过短或异常过长 episode、动作活跃度、gripper pattern、tremble、sharpness、visual diversity 和 state diversity。核心指标包括：

$$S_{\text{tremble}}=\frac{|{\dot{s}}_{\text{smooth}}-\dot{s}|}{|{\dot{s}}_{\text{smooth}}|+|\dot{s}|}$$ $$S_{\text{sharp}}=\mathrm{median}(\mathrm{MaxPool}({\mathrm{std}}_{\text{block}}({\nabla }^{2}I)))$$ $$D_{\text{vis}}={\mathbb{E}}_d[{\mathrm{std}}_t({\mathbb{E}}_s[f_{t,s,d}])],D_{\text{state}}=\sqrt{\mathrm{tr}(\mathrm{Cov}(s))}$$

论文表 1 的主要采样权重：AgiBot twofinger 0.210、DROID 0.129、Galaxea 0.124、ActionNet 0.102、Green Humanoid 0.089、AgiBot dexhand 0.080。AgiBot twofinger 权重大是因为 774 小时且 humanoid 相关视觉多样性高；DROID 在 single-arm 中权重最高，因为轨迹更平滑、任务/场景更丰富。

3.2 Unified Action Space：从 padding 到 semantic slots

论文先指出 naive padding 的目标：

$$\mathcal{L}(\theta )={\mathbb{E}}_{(x_t^e,a_t^e)}\left[\Vert {\pi }_{\theta }(x_t^e)-{\tilde{a}}_t^e{\Vert }_2^2\right]$$

如果 $m_e$ 表示 embodiment $e$ 的有效维度，则 padding loss 实际包含 spurious penalty：

$$\mathcal{L}(\theta )=\mathbb{E}\left[\underset{\text{valid coords}}{\underbrace{\Vert m_e\odot ({\pi }_{\theta }(x_t^e)-{\tilde{a}}_t^e){\Vert }_2^2}}+\underset{\text{spurious penalty}}{\underbrace{\Vert (1-m_e)\odot ({\pi }_{\theta }(x_t^e)-{\tilde{a}}_t^e){\Vert }_2^2}}\right]$$

Green-VLA 改用 unified action space ${\mathcal{A}}_u\subset {\mathbb{R}}^{64}$，用 ${\Phi }_e:{\mathcal{A}}_e\to {\mathcal{A}}_u$ 把 native action 映射到固定语义 slot，并只在有效 slot 上训练：

$${\mathcal{L}}_{\mathrm{uni}}(\theta )=\mathbb{E}\left[{\Vert m_e\odot \left({\pi }_{\theta }(x_t^e,c_e)-{\Phi }_e(a_t^e)\right)\Vert }_2^2\right]$$

控制 prompt $c_e$ 序列化 arms/hands、gripper or dex-hand、joint/cartesian、mobile/static、slots used 等信息：

$${\hat{u}}_t={\pi }_{\theta }(x_t^e,c_e)\in {\mathcal{A}}_u,{\hat{a}}_t^e={\Phi }_e^{-1}(m_e\odot {\hat{u}}_t)$$

源码中的实现对应 map_to_unified_space：Bridge / Fractal 把 Cartesian xyz 映射到 slots 35–37，把旋转映射到 42–44，把 gripper 映射到 13；ALOHA 把左臂 joints 映射到 1–6、左 gripper 到 13、右臂 joints 到 15–20、右 gripper 到 27。

论文公式与 released code 实现差异：论文正文描述 ${\mathcal{A}}_u\subset {\mathbb{R}}^{64}$；released config 有 unified_space_dim: 64，但实际 lerobot/conf/policy/greenvla_policy.yaml 和 fine-tuning configs 使用 max_state_dim: 48、max_action_dim: 48，torch_transforms.py 注释还写着 “unified 43-dim vector”。因此当前 release 更像是公开 benchmark / fine-tuning 用的 48D padded-unified interface，而不是论文中完整 64D 生产控制栈的逐槽实现。

3.3 Temporal alignment、speed conditioning、progress 和 OOD safety

不同机器人和 operator 的速度不同，直接混合会让同一个 action step 对应不同物理进展。Green-VLA 用 wrist-camera mean optical flow 估计每个数据集的视觉运动强度，对 Bridge / Fractal 等低采样但大 optical flow 数据做 densification，对 AgiBot DexHand 等慢动作高频数据做 downsampling，并用 monotonic cubic spline 插值 action。

Figure 6 解读：横轴显示各数据集的 mean optical flow magnitude。高 flow 表示相邻帧视觉变化大，需要插入更多中间 waypoint；低 flow 表示相邻帧冗余更多，可以跳帧。这个图支撑了 temporal alignment 不是固定倍数重采样，而是基于视觉运动统计的 dataset-specific 策略。

在 temporal alignment 之上，模型引入 action speed scalar $v\sim p(v)$，用 $v$ 控制目标轨迹的有效时间分辨率。论文给出 RMS-style modulation：

$${\tilde{h}}_t=\mathrm{RMSNorm}(h_t),{\hat{h}}_t=\gamma (v){\tilde{h}}_t+\beta (v)$$

其中 $v>1$ 倾向于更慢、更密的中间 waypoint，$v<1$ 倾向于更快、更粗的 action chunk。flow-matching expert 还预测 episode progress ${\hat{\rho }}_t\in [0,1]$，监督信号为 ${\rho }_t=t/T$，供 high-level planner 判断 subtask 是否结束。

Figure 7 解读：OOD detector 用训练集 robot states 拟合 GMM：$p_{\text{train}}(s)={\sum }_k{\varphi }_k\mathcal{N}(s\mid {\mu }_k,{\Sigma }_k)$。当 rollout 进入低密度区域 $p_{\text{train}}(s)<{\tau }_{\text{ood}}$，系统按 $s+\alpha \nabla p_{\text{train}}(s)$ 修正目标状态，论文给出 $\alpha =0.2$，目的是把机器人动作拉回训练 manifold。

论文公式与 released code 实现差异：公开仓库中没有找到 GMM OOD detector、episode progress head、speed-conditioned RMS modulation 的完整实现；release 主要包含 flow-matching policy、tokenizer、data transforms、inference 和 fine-tuning configs。

3.4 JPM guidance：把语言目标从 2D 点提升到 3D / IK 约束

JPM 针对货架等密集 SKU 场景：先用专门 VLM 在图像上预测语言条件的 2D affordance point $(u,v)$，再结合深度 $d(u,v)$、相机内参 $K$ 和相机外参 $T_c^w$ 提升到 robot-base frame：

$$\left[\begin{array}{c}{p}^{\star }\\ 1\end{array}\right]=T_c^w\left[\begin{array}{c}d(u,v)K^{-1}[u,v,1{]}^{\top }\\ 1\end{array}\right]$$

然后用 IK 求出可达 joint configuration $q^{\star }$，并在 flow-matching denoising 中用 $\Pi \mathrm{GDM}$ pseudoinverse guidance 给 velocity field 加上朝向目标 $Y$ 的 correction，得到 ${\mathbf{v}}_{\Pi \mathrm{GDM}}$。

Figure 10 解读：JPM guidance pipeline 先 grounding 2D affordance，再通过深度和相机位姿 lift 到 3D，最后初始化 Green-VLA guidance 目标。它解决的是 end-to-end VLM policy 在近似包装、细粒度 SKU、OOD 包装上容易选错对象的问题。

论文公式与 released code 实现差异：公开仓库没有找到 JPM、IK guidance 或 $\Pi \mathrm{GDM}$ 的源码；笔记中的 JPM 解释来自论文公式和图，不把它伪装成 release code。

3.5 R2 RL alignment：不直接改 base policy，而是优化轨迹和 source noise

R2 包含两条路线。第一条是 IQL critic + trajectory optimization：训练 $Q$ / $V$，然后对 R1 policy 生成的动作做 Q-gradient 更新，再人工/环境验证优化后轨迹，把通过验证的数据加入 R1 dataset 并从 R0 权重重新 native fine-tuning。核心目标为：

$$L_V(\psi )={\mathbb{E}}_{(s,a)\sim D_{\text{off}}}\left[L_2^{\tau }(Q_{\hat{\theta }}(s,a)-V_{\psi }(s))\right]$$ $$L_Q(\theta )={\mathbb{E}}_{(s,a,s^{\prime })\sim D_{\text{off}}}\left[(r(s,a)+\gamma V_{\psi }(s^{\prime })-Q_{\theta }(s,a){)}^2\right]$$ $$a\leftarrow a+\eta \frac{{\nabla }_{a}Q(s,a)}{\Vert {\nabla }_{a}Q(s,a)\Vert }$$

第二条是 source distribution optimization：flow-matching 训练的是 velocity field

$$\frac{\mathrm{d}}{\mathrm{d}t}{\psi }_t(x)=u_{\theta }({\psi }_t(x),t)$$

R1 默认 $X_0\sim p_0$ 为 Gaussian；R2 用 actor-critic 学一个新的 source distribution $p_0^{\prime }$，让 base flow policy 在环境中的 return 更高，同时动作仍接近训练分布，降低在线 RL 探索风险。

Figure 8 解读：左侧是 source noise distribution optimization：actor ${\pi }_{{\theta }_{noise}}(ϵ\mid s)$ 不直接输出动作，而是输出 flow-matching 初始噪声，使 frozen/base policy 生成更高 return 的轨迹。右侧是 PARL-style trajectory optimization：用 Q-gradient 改进 rollout，再把验证通过的轨迹加入训练集。

论文公式与 released code 实现差异：公开仓库没有找到 IQL critic、Q-gradient trajectory optimizer 或 source-noise actor 的实现；仓库发布的是可加载 checkpoint、核心 GreenVLAPolicy、data transforms、inference / fine-tuning pipeline。

3.6 Released code mapping and pseudocode

Code reference: main @ 952a80c3 (2026-03-05) — pseudocode and mapping based on this commit

Paper concept	Released code	说明
VLM prefix + action expert	lerobot/common/policies/greenvla_policy/modeling_greenvla_policy.py → GreenVLAPolicyModel	加载 Qwen3VL / Qwen2.5VL，构造 downsampled Qwen3VLTextModel action expert，复用 VLM prefix KV cache。
Flow-matching training	GreenVLAPolicy.forward_flow_matching, GreenVLAPolicyModel.forward_flow_matching	采样 noise/time，构造 $x_t=tϵ+(1-t)a$，预测 velocity，按 action mask / robotics source mask 做 MSE。
Denoising inference	sample_actions, denoise_step	从 Gaussian noise 开始，用 num_steps 次 Euler integration 从 $t=1$ 到 $t=0$ 生成 action chunk。
Prompt/tokenization	greenvla_tokenizer.py → GreenVLATokenizer	可插入 `<
Unified mapping	torch_transforms.py, data_transforms/robots/{bridge,fractal,aloha}.py	将不同 robot 的 state/action 映射到统一 slot，并产生 pad mask。
Fine-tuning configs	lerobot/conf/finetune_greenvla_bridge.yaml, finetune_greenvla_fractal.yaml	记录公开 fine-tuning 的 batch size、steps、lr、stride、checkpoint。
JPM / OOD / R2	未在 release 中找到完整实现	这些模块在论文和项目页描述，当前代码不提供可复现源码。

Pseudocode 1 — unified action mapping（对应 torch_transforms.py + robot transforms）

import torch
 
 
def map_to_unified_space(x: torch.Tensor,
                         mapping: list[tuple[list[int], list[int]]],
                         target_dim: int = 48,
                         pad_value: float = 0.0):
    out = torch.full((*x.shape[:-1], target_dim), pad_value,
                     dtype=x.dtype, device=x.device)
    pad_mask = torch.ones_like(out, dtype=torch.bool)
 
    for src_idx, dst_idx in mapping:
        k = min(len(src_idx), len(dst_idx))
        if k > 0:
            out[..., dst_idx[:k]] = x[..., src_idx[:k]]
            pad_mask[..., dst_idx[:k]] = False
 
    return out, pad_mask
 
 
BRIDGE_MAPPING = [
    (list(range(0, 3)), list(range(35, 38))),  # xyz
    (list(range(3, 6)), list(range(42, 45))),  # rotation
    (list(range(6, 7)), list(range(13, 14))),  # gripper
]

Pseudocode 2 — flow-matching training step（对应 forward_flow_matching）

import torch
import torch.nn.functional as F
 
 
def flow_matching_train_step(model, batch):
    images, image_masks = model.prepare_images(batch)
    lang_tokens = batch["input_ids"]
    lang_masks = batch["padded_mask"]
    state = batch["state"].float()
    actions = batch["actions"].float()
    action_mask = batch.get("action_loss_mask")
    data_source = batch.get("data_source")
 
    prefix_cache = model.model.encode_vlm_prefix_with_kv_cache(
        images, image_masks, lang_tokens, lang_masks, return_cache=True
    )
 
    noise = torch.randn_like(actions)
    time = torch.rand(actions.shape[0], device=actions.device)
    x_t = time[:, None, None] * noise + (1.0 - time[:, None, None]) * actions
    target_velocity = noise - actions
 
    suffix_embs, suffix_mask = model.model.embed_suffix(state, x_t, time)
    velocity = model.model.action_expert_with_prefix_cache(
        suffix_embs=suffix_embs,
        suffix_mask=suffix_mask,
        prefix_cache=prefix_cache,
        lang_masks=lang_masks,
    )
    velocity = model.model.action_out_proj(velocity[:, -model.config.n_action_steps:])
 
    loss = F.mse_loss(velocity, target_velocity, reduction="none")
    if model.config.mask_padded_actions and action_mask is not None:
        loss = loss * action_mask.float()[:, None, :]
    if data_source is not None:
        robotics_only = (data_source == 0).float()[:, None, None]
        loss = loss * robotics_only
 
    return loss.sum() / loss.numel()

Pseudocode 3 — flow-matching action sampling（对应 sample_actions / denoise_step）

import torch
 
 
@torch.no_grad()
def sample_action_chunk(model, batch):
    images, image_masks = model.prepare_images(batch)
    lang_tokens = batch["input_ids"]
    lang_masks = batch["padded_mask"]
    state = batch["state"].float()
 
    prefix_cache = model.model.encode_vlm_prefix_with_kv_cache(
        images=images,
        img_masks=image_masks,
        lang_tokens=lang_tokens,
        lang_masks=lang_masks,
        return_cache=True,
    )
 
    x_t = torch.randn(
        lang_tokens.shape[0],
        model.config.n_action_steps,
        model.config.max_action_dim,
        device=lang_tokens.device,
    )
    dt = -1.0 / model.config.num_steps
    time = torch.tensor(1.0, device=lang_tokens.device)
 
    while time >= -dt / 2:
        v_t = model.model.denoise_step(
            state=state,
            prefix_pad_masks=lang_masks,
            vlm_output_with_cache=prefix_cache,
            x_t=x_t,
            timestep=time.expand(lang_tokens.shape[0]),
        )
        x_t = x_t + dt * v_t
        time = time + dt
 
    return x_t

4. Experimental Setup (实验设置)

数据与规模：L1 使用 24M non-robotics multimodal samples；R0 使用 184M robotics-domain samples，总量超过 3,000 小时。robotics 数据包括 AgiBotWorld twofinger 774h、AgiBot dexhand 82h、ActionNet 143h、Green Humanoid 48h→167h effective、Galaxea 477h、RDT 59/60h、Bridge 105h、DROID 501/512h、Fractal 350/351h、RoboMind 33h、BiPlay 9.7/31h、ALOHA any_pick 11/11.2h。论文中的 DROID / Fractal / RDT / BiPlay 小时数在正文和表 1 有轻微不一致，笔记保留原文/表中数字。

模型与训练：最新版 Green-VLA 是约 5B 参数，主干为 Qwen3-VL-4B-Instruct，叠加 flow-matching action expert 和 lightweight heads；旧版本使用 PaliGemma 3B，总体约 4B。R0 机器人预训练超过 $10^5$ optimization steps，在 64 张 H100 GPU 上进行。公开仓库 README 还发布 2B base、5B base stride-1/stride-4、Bridge R1/R2、Fractal R1、CALVIN R2 checkpoints。

公开 fine-tuning 配置（来自源码，不用 base defaults 代替）：lerobot/conf/finetune_greenvla_bridge.yaml 使用 SberRoboticsCenter/GreenVLA-5b-base-stride-1，max_state_dim=max_action_dim=48，tokenizer_max_length=356，n_action_steps=10，image_shape=448×448，proj_width=1280，expert_block_stride=1，attention_implementation=sdpa，action_head_batch_multiplier=4，mask_padded_actions=true，AdamW lr=1e-4、betas=[0.9,0.95]、weight_decay=1e-8、grad_clip_norm=1.0，warmup 1000、stable 34000、decay 15000、steps 50000、batch size 6、num_workers 16。finetune_greenvla_fractal.yaml 基本相同，但从 GreenVLA-5b-base-stride-4 启动，expert_block_stride=4，batch size 8。accelerate_config.yaml 为 1 machine、8 processes、bf16、multi-GPU。

评测任务与 baselines：R0 阶段在 Cobot Magic / ALOHA table-cleaning 与 SimplerEnv Google Robot / WidowX 上评测；R1 在 CALVIN、e-commerce shelf picking、Green humanoid pick/place/handover/sorting 上评测；R2 在 Simpler BRIDGE WidowX、CALVIN ABC→D、e-commerce difficult-object picking 上评测。Baselines 包括 ${\pi }_0$、${\pi }_{0.5}$、GR00T N1 / N1.6、AgiBot GO-1、WALL-OSS、OpenVLA、RT-1X、Flower、X-VLA、Magma、DB-MemVLA、EO-1。

Figure 9 解读：Cobot Magic / ALOHA table-cleaning 评测包含单目标 pick tape、pick pliers，以及全桌清理。每个候选对象 10 次随机位置/distractor；full-task 放 15–20 个物体并顺序下达指令，统计 first-attempt correctness 与平均完成时间。

5. Experimental Results (实验结果)

ALOHA / Cobot Magic R0：Green-VLA(R0) 在未做额外 embodiment tuning 的情况下达到 Tape 83.1、Screwdrivers 52.1、Pliers 63.7、First item SR 69.5、AVG Time 1m35s。对比 ${\pi }_0$ 为 46.3 / 29.7 / 31.8 / 35.6 / 2m59s，AgiBot GO-1 为 57.8 / 48.6 / 33.2 / 38.4 / 3m57s，GR00T N1 与 WALL-OSS 的 AVG Time 均大于 5m。这说明 R0 multi-embodiment pretraining 对训练集中相近 embodiment 已经能带来强 task-following 和效率。

SimplerEnv Google Robot：按当前 arXiv source 的主表，Qwen3-VL-4B Green-VLA(R1) 在 Google Robot 上达到 Visual Matching AVG 77.0、Variant Aggregation AVG 66.7、Overall 71.8；EO-1 Overall 69.8，X-VLA 63.8，GR00T-N1.6 60.5，Magma 57.4，${\pi }_{0.5}$ fine-tune 53.6。PaliGemma 3B Green-VLA R0/R1/R2 分别为 Overall 45.1 / 48.1 / 57.3，说明换 Qwen3 backbone 的收益在 Google Robot 表中非常明显。

SimplerEnv WidowX：Green-VLA(Qwen3, R2) 在 AVG Grasp 94.6、AVG Success 80.5，为表中最高；Qwen3 R1 是 89.6 / 72.9。PaliGemma 3B 从 R0 到 R1 到 R2 的 AVG Success 为 45.0 → 55.2 → 79.1，体现 filtered R1 + R2 RL alignment 的累计收益。对照项中 DB-MemVLA 为 73.2，EO-1 为 72.7，X-VLA 为 65.6。

Figure 11 解读：JPM guidance 在 SKU/OOD 精确目标选择上最明显。无 guidance 时 Green-VLA 为 ID-Coarse 95.4、ID-SKU 36.7、OOD 10.2；加 guidance 后图中为 ID-Coarse 62.3、ID-SKU 93.1、OOD 72.8。它牺牲/改变了 coarse 类别判定表现，但显著提升 exact variant 和 unseen SKU。

Figure 12 解读：Green humanoid 的各项成功率为 Pick 98、Place 100、Pick from basket 77、Give to user 99、Hand over 84、Clean full table 87，平均 90。该评测覆盖左右手、正确篮子、arm-to-arm handover、递给用户、fruit sorting 和全桌清理，说明模型不只在单臂 benchmark 上有效，也能控制 full upper body。

Figure 13 解读：这是一段 task-planned humanoid sorting：planner 把“sort apples and oranges into the basket”拆成 left/right hand pick、place 等 subtask，Green-VLA 负责每个 subtask 的低层控制。图中体现了论文强调的 high-level decomposition + low-latency VLA control 的分工。

Figure 14 解读：R2 在 e-commerce difficult objects 上并非每类都单调提升：Cookies 从 30.4 到 82.7，Pet food 从 25.3 到 68.8，Shampoo 从 12.6 到 22.4，但 Deodorant 从 62.8 降到 38.3。CALVIN ACL 则从 ${\pi }_0$ R1 的 3.6 到 Green-VLA R1(PaliGemma) 4.18、R1(Qwen3) 4.27、Flower R1 4.53、Green-VLA R2(Qwen3) 4.57、Green-VLA R2(PaliGemma) 4.63。

Ablation / main finding：最核心的实验结论是 staging 有叠加收益：DataQA 和 unified action 让 R0 具备跨 embodiment 泛化；R1 把能力落到具体 robot；JPM guidance 专门改善 dense SKU 精确选择；R2 主要改善长程一致性、恢复能力和部分困难物体的物理抓取。限制是：R2 不是所有类别都提升，公开 release 也没有包含 JPM/OOD/R2 的训练代码，因此这几个模块目前只能由论文与 project page 验证，不能由 released code 完整复现。