上海交大卢策吾团队提出 LIFT：后训练阶段为 VLA 注入力反馈
VLA 只靠视觉难以应对接触瞬间；LIFT 证明不必重新预训练，后训练注入力反馈即可显著提升操作成功率。
上海交通大学卢策吾、汶川团队联合穹彻提出 LIFT（Late Reactive Injection of Force，一种在 VLA 后训练阶段注入力反馈的方法）。它不改动预训练参数，只用 2030 条在线带力数据，就让模型在插书、叠毛巾、汉诺塔圆环放置等接触任务上明显提分。
正文摘录
  把一本书放到书架，前面的动作并不复杂：找到空位，对准方向，向前推。真正的困难在接触发生时：书撞到旁边了吗？推的方向偏了吗？推到底了吗？在这种时候，视觉几乎没有任何变化，模型只能靠力来推断任务状态。 想学会力，离不开数据。但是力和真实机器人硬件强绑定，带力数据采集成本太高，也很难通过 UMI、ego 等方式规模化。 还有更棘手的问题：引入新模态会改变模型架构，是否需要重新预训练，又会不会让模型遗忘原有知识？ 这些一直是纯视觉预训练 VLA 不得不面对的问题。 上海交通大学卢策吾、汶川团队联合穹彻提出 LIFT（Late Reactive Injection of Force for VLA Post-Training），在保留模型预训练知识的情况下，仅通过在线后训练教模型学会感知力，并通过力高频反应式生成动作。 这项工作被 CoRL 2026 高分收录，其核心贡献是走通了预训练学先验知识，后训练靠力学高频反应式操作的训练范式，为 VLA 解决感知模态稀缺的难题提供新的可行解。