本文探讨了将关节力矩信号融入视觉-语言-动作（VLA）模型的设计，以提升机器人在物理交互中的表现。研究表明，将即时和历史力矩信息编码为单一解码器token能取得最佳效果，结合动作和力矩的预测任务可进一步增强模型性能。实验验证了该方法在高接触和常规任务中的有效性与泛化能力。