02 方法
StarVLA 的核心是 backbone–action head 双向模块化 ：骨干网络（VLM 或世界模型）与动作解码头
各自遵守统一的 I/O 协议，可独立替换而不影响另一侧。训练、推理与部署共用同一套代码，
配置通过 YAML 声明式指定。
统一抽象：Unified VLA Policy
策略被形式化为 π(at:t+k , yaux | x≤t , ℓ) ，
将多模态观测历史映射到 k 步动作序列。训练损失为 ℒ = ℒaction + ℒaux ，
其中 ℒaux 作为归纳偏置，可为零（纯行为克隆）或语言对齐/空间感知损失。
不同 VLA 范式均可理解为该公式在不同归纳偏置下的实例化。
图 2：四种代表性动作解码范式。
StarVLA-FAST ：自回归生成离散动作 token（基于 FAST tokenizer）；
StarVLA-OFT ：通过轻量 MLP 直接回归连续动作；
StarVLA-π (π₀) ：flow matching 迭代去噪；
StarVLA-GR00T ：双系统推理（System 1 快速反应 + System 2 慢速规划）。
四种变体共享相同的训练/推理接口，仅动作头实现不同。
统一 I/O 接口与 Server-Client 评测
StarVLA 为所有框架组件定义了两个核心方法：forward(raw_images, str, ...) 作为训练入口，
predict_action(raw_images, str, ...) 作为推理入口。
推理接口接受"归一化动作（均值=0，标准差=1）"并返回预测动作块（minus ground-truth 均值后的预测）。
这一设计与真实机器人传感器流镜像对应，使同一 checkpoint 可直接用于仿真评测和真实部署，
无需修改代码。评测基准代码通过 server-client 模式与模型推理解耦，benchmark 代码无需感知模型内部。
图 3：StarVLA 统一系统流水线。
左侧：统一数据流，连接异构机器人数据集、pluggable dataloader 与标准化数据表示；
右侧：模型前向传播路径，VL Foundation Model 骨干网络经 action head 输出动作，
再经 Server-Client 接口用于仿真评测（LIBERO、SimplerEnv、RoboTwin 等）和真实机器人部署。
整个流水线由 YAML 配置驱动，支持 Unified Hamiltonians、Co-train 和 Multi-Bench 训练策略。
灵活训练范式
监督行为克隆（SFT）
最直接的训练方式，ℒaux = 0 ，仅优化动作预测损失。
StarVLA 将此作为建立单基准可复现基线的标准起点，
并提供了 benchmark 特定的训练/评测脚本。
多目标协同训练（Co-training）
在动作预测的同时引入 VLM 辅助目标（如空间感知 grounding 损失），
保留模型的语言/视觉推理能力。
实验表明，空间引导协同训练可将 Google Robot 成功率从 66.1% 提升至 86.2%，
同时维持 RefCOCO-g 上 71.2 IoU@0.5 的空间感知精度。
跨体态训练（Cross-embodiment）
通过 mixture dataloader 混合来自不同机器人平台的数据，
训练单一泛化模型，实现跨 LIBERO、SimplerEnv、RoboTwin、RoboCasa-GR1 的联合训练。
强化学习微调（RL fine-tuning）
计划中的功能，目前仍在持续集成中（"an ongoing integration effort"，论文明确说明）。
