视-声-语言-动作（VSLA）

给 VLA 策略加音频，与加一路相机并不对称。视觉状态是持续的：杯子一直在桌上，跨越许多控制周期，因此稍微陈旧的图像仍然有用。声学证据恰恰相反——它集中在短暂、不可重复的事件里。一声咔哒、一阵晃动、一次完成提示音或沸腾转变可能只持续几百毫秒且永不再现。如果策略像采样图像那样采样这个模态，证据就直接消失了。

VSLA 命名的是认真对待这种不对称性的设定：流式音频是观测接口的一部分，而接口必须把它听到的内容保存到决策能够使用为止。

大型机器人策略无法以控制频率运行，因此它们预测一个动作块并以开环方式执行。在这一区间内，新的观测无法改变已发出的指令。论文称之为盲执行间隔（BEI）。对视觉而言这是可以容忍的；对一段短促的声音而言它可能是致命的。提高查询频率可以缩短空档，但无法消除它，因为感知、预处理、推理、通信与执行延迟始终存在。因此瓶颈是证据保持，而不是瞬时抢占。

VSLA 与视觉-触觉-语言-动作（VTLA）模型属于同一家族，后者为观测栈加入触觉。两者都扩展了 VLA 策略的模态集合而没有抛弃其结构。原则上机器人可以同时具备两者。

HEAR 是 IJRR 论文中给出的 VSLA 实例。它的四个组件对应范式的各项要求：Historizer 提供跨越 BEI 的因果保持，Envisioner 进行多感官推理，Advancer 以音频世界模型的形式提供时间对齐，Realizer 生成平滑的动作块。