OneTwoVLA: A Unified Vision-Language-Action Model with Adaptive Reasoning

Motivation

• Known: 최근 dual-system 접근법은 VLM을 System Two(high-level reasoning)로, VLA를 System One(low-level acting)으로 분리하여 사용한다. 하지만 두 시스템 간 상호 이해 부족과 latency 문제가 존재한다.
• Gap: 기존 dual-system 방식은 두 시스템이 각각의 capabilities를 인식하지 못하고, System Two의 지연 응답으로 인해 outdated guidance를 제공할 수 있다. 또한 일부 unified model은 reasoning을 효율적으로 수행하지 못하거나 reasoning 없이 작동하여 성능이 저하된다.
• Why: 로봇이 long-horizon task planning, error detection and recovery, natural human-robot interaction을 수행하려면 reasoning과 acting의 synergistic 관계가 필수적이며, 단일 통합 모델이 이를 효과적으로 구현할 수 있다.
• Approach: OneTwoVLA는 decision token([BOR]/[BOA])을 통해 reasoning vs acting을 adaptive하게 결정하는 unified model을 제안한다. 또한 embodied reasoning-centric vision-language data 합성 pipeline을 설계하여 robot data와 co-training한다.

Achievement

Figure 2: Task completion times on Tomato-Egg.

• Long-horizon task planning: flat VLA 대비 30%, dual-system VLA 대비 24% 성능 향상을 달성하며, novel task instruction에 대한 generalization 가능
• Error detection and recovery: real-time 오류 감지 및 correction strategy 추론으로 agile recovery action 수행
• Natural human-robot interaction: human intervention 즉시 반응 및 ambiguity 상황에서 proactive clarification 추구
• Generalizable visual grounding: spatial relationships, object attributes, semantic features에 대한 superior understanding으로 robot training data 외 object로도 generalization

How

• Unified model πθ가 two modes로 작동: reasoning mode (I1:n_t, I1:n_ref, ℓ, R을 입력으로 textual reasoning ˆR 생성), acting mode (추가로 st를 입력으로 action chunk At 생성)
• Algorithm 1의 inference pipeline: decide() → [BOR]이면 reason() 호출하여 R 업데이트, [BOA]이면 act() 호출하여 action 실행
• Robot data curation: task demonstrations에 scene description, subtask planning, error description, action guidance 등의 reasoning content 포함
• Vision-language data synthesis pipeline: embodied reasoning을 포함한 high-quality VL data 대규모 생성으로 robot data와 co-training
• Reference images I1:n_ref 활용으로 observation history 확보하여 ambiguous state 방지

Originality

• Dual-system framework의 근본적 한계를 identified하고, unified model을 통한 seamless reasoning-acting synergy 달성
• Adaptive decision mechanism ([BOR]/[BOA] tokens)으로 reasoning efficiency와 execution efficiency의 balance 제시
• Embodied reasoning-centric vision-language data synthesis pipeline을 통한 scalable co-training 방식 제안
• Reference image 메커니즘으로 observation history를 명시적으로 활용하는 novel approach

Limitation & Further Study

• Reasoning content의 구체적 format (scene description, plan, historical summary, next-step instruction)이 고정적으로 설계됨에 따른 flexibility 제약 가능성
• Vision-language data 합성 quality가 co-training 효과에 크게 의존하는데, data 품질 보증 mechanism 상세 기술 부족
• 실제 robot hardware에서의 deployment 결과 제시 부족 (주로 simulation 기반 평가로 보임)
• Reasoning token 수 증가에 따른 inference latency 증가에 대한 분석 및 최적화 전략 제시 필요
• Human-robot interaction 평가가 qualitative example 위주로 보이며, quantitative metrics 필요

Evaluation

총평: OneTwoVLA는 dual-system의 근본적 문제를 unified model로 해결하면서 adaptive reasoning-acting mechanism을 통해 효율성과 성능의 balance를 달성한 혁신적 접근법이다. Embodied vision-language co-training strategy와 함께 long-horizon robot control의 새로운 표준을 제시하며, ICLR 2026 발표의 significance를 충분히 입증한다.