上海交大MINT团队提出Evo - Depth：不增硬件负担，兼顾机器人VLA性能与部署效率

【导语：大量VLA模型主要依赖二维视觉，在空间感知任务上成功率下滑，补空间信息的现有路线各有代价。上海交大MINT团队提出Evo - Depth中间路线，兼顾性能与部署效率，代码等已全面开源。】

现有VLA模型空间感知难题待解

目前，机器人虽有视觉能力，但大量VLA模型主要依赖二维视觉。一旦遇到精定位、细摆放、遮挡判断这类需要空间感知的任务，成功率就会明显下滑。

补空间信息有显式3D和隐式3D两条路线，但都有代价。显式3D路线靠深度传感器和点云重建，硬件链路长、对标定误差敏感；隐式3D路线从RGB学几何，省了硬件，但不少方案依赖较重的基础模型，训练和推理成本偏高。

Evo - Depth：中间路线新突破

上海交大MINT团队提出的Evo - Depth约0.9B参数，不额外增加硬件负担，用紧凑的隐式深度编码把空间感写进VLA策略里，兼顾了仿真与真机的性能与部署效率。在仿真端，Meta - World达到84.4%、LIBERO达到95.4%；真机平均成功率约90%；部署侧约3.2 GB显存、约12.3 Hz推理频率。

Evo - Depth的核心思路是从多视角RGB提取紧凑的隐式深度表征，再以轻量方式融入视觉 - 语言通路，最后通过flow - matching动作专家输出连续动作。

系统三部分协同运作

整个系统主要由三部分组成。IDEM（Implicit Depth Encoding Module）负责从多视角图像中提取隐式深度特征，强调空间布局与相对几何关系，骨干约0.13B参数，并结合多视角深度预训练初始化，在轻量条件下引入与深度相关的归纳偏置。

SEM（Spatial Enhancement Module）将隐式深度作为一种调制信号，用于增强视觉 - 语言表征。这种融合方式更克制，原有VLM继续负责语义理解，深度特征主要负责空间增强，同时尽量控制延迟与显存开销。

Progressive Alignment Training采用分阶段训练方式逐步完成深度表征对齐 - 多模态融合 - 动作学习。动作头则采用了当前VLA中较常见的flow - matching路线。

性能 - 成本 - 实时性折中方案

Evo - Depth解决了如何在不显著增加系统负担的情况下，提升VLA的空间能力这一问题。相比纯二维VLA，它补充了空间信息；相比更重的3D路线，它又尽量保留了部署效率。

编辑观点：Evo - Depth为机器人VLA领域提供了一种性能、成本与实时性相平衡的方案，有望推动机器人操作、空间智能等相关领域发展。