清华团队开源PhaseLoRA：面向VLA模型的阶段自适应轻量微调技术

清华韩军功教授团队日前开源了PhaseLoRA，这是一种面向视觉-语言-动作模型（VLA）的参数高效微调技术。该技术让LoRA适配器能够根据机器人操作过程中不断变化的控制状态进行动态调整，从而以更轻量的方式适配不同机器人任务。据介绍，PhaseLoRA仅需训练约4.41%的参数，便可在单张RTX 5090显卡上完成LIBERO基准的完整训练。

PhaseLoRA的核心思路是引入“轨迹内条件化”维度。团队设计了精细控制倾向（fine-control tendency）与事件/边界强度（event/boundary intensity）两个连续弱监督描述量，通过动作幅度、动作变化和夹爪状态等轨迹统计自动构造信号，无需人工标注阶段。在每次动作块预测时，模型会根据当前控制状态调整LoRA的有效更新方向，使低秩更新方向随接近、抓取、搬运、放置等操作阶段连续变化，同时保持每一步更新的低秩结构。

实验方面，基于π₀.₅模型，PhaseLoRA在LIBERO-Spatial、LIBERO-Object、LIBERO-Goal和LIBERO-10四个标准套件上取得68.9%的平均成功率，较同参数量的高秩LoRA提升12.2个百分点。在Piper机械臂的真实桌面操作实验中，该方法的平均成功率达到69.2%，相比参数量匹配的高秩LoRA提升18.4个百分点。消融实验显示，随机加入时序变化或仅做标量缩放均无法复现完整效果，说明性能提升主要来自控制状态相关的方向变化。

目前，该项目的论文与代码均已公开。PhaseLoRA基于OpenPI构建，代码仓库提供了π₀/π₀.₅的PyTorch微调与策略服务、标准LoRA等实验配置、LIBERO与ALOHA仿真评测流程以及基于WebSocket的闭环策略推理接口，可用于复现与后续扩展。