机器人迈向复杂真实环境时，现有的视觉-语言-动作模型（VLA）面临动作生成“黑盒化”的痛点，难以应对环境杂乱、步骤繁琐和空间定位不准等挑战。为此，复旦大学联合上海交大、港大等机构提出GuidedVLA（已被RSS 2026接收），让机器人的行动更有依据。

GuidedVLA的核心是在动作生成中引入显式引导，将其拆分为三个专属“注意力头”： 1. 目标头（Object Head）：精准锁定目标物体，抵抗背景干扰； 2. 技能头（Skill Head）：识别任务当前阶段，防止步骤错乱或跳步； 3. 深度头（Depth Head）：引入3D深度特征，提升距离、角度等空间几何准确度。

技术上，它采用残差适配设计，可“即插即用”于现有VLA而不破坏原模型能力，并配备自动标注流水线以大幅降低人工成本。

实验显示，GuidedVLA在仿真基准及真实双臂机器人（如家庭分拣、实验室操作）任务中，成功率均获显著提升。其最大价值在于实现了“可解释性落地”：模型是否看准目标、认清阶段、估对空间均可被量化观察，且与成功率直接挂钩。这不仅提升了机器人性能，更为排查故障和模型迭代提供了清晰抓手，推动具身智能真正走向复杂现实场景。