VLA模型为何忽视语言？破解指令跟随幻觉，分布外场景泛化新突破

论文指出当前视觉-语言-动作（VLA）模型存在依赖视觉捷径、忽视语言指令的问题，导致在分布外场景和指令歧义任务中泛化能力差；为此提出LangForce方法，通过引入对数似然比损失强化语言依赖，显著提升指令跟随能力和OOD泛化性能，同时保留视觉-语言模型的原始语言理解能力。