視覚・言語・行動（Vision-Language-Action: VLA）モデルの着実な成功は、事前学習された視覚・言語モデル（Vision-Language Models: VLM）がエージェントに転移可能な世界知識および視覚・言語（VL）の意味基盤を付与するという可能性に起因している。これにより、より広範な一般化能力を持つ行動モデルの基盤が築かれた。しかし、これらのVLMが行動モダリティに適応される際、元のVL表現や知識がどの程度保持されているかは依然として不明である。本研究では、VLAのファインチューニング過程における表現の保持について体系的な分析を行い、単純な行動ファインチューニングが視覚表現の劣化を引き起こすことを示した。これらの影響を定量化・特徴づけるために、VLAモデルの隠れ表現を調査し、アテンションマップを分析した。さらに、VLAモデルとその対応するVLMモデルを比較するためのターゲット化されたタスクと手法を設計し、行動ファインチューニングによって引き起こされるVL能力の変化を明確に分離・評価した。また、視覚表現の整合性を高めるための多様な戦略を検証し、表現の劣化を軽減し、分布外（out-of-distribution: OOD）のシナリオへの一般化性能を向上させる、簡潔かつ効果的な手法を提案した。本研究の分析により、行動ファインチューニングとVL表現の劣化の間のトレードオフが明確になり、継承されたVL能力を回復するための実用的なアプローチが示された。コードは公開済み：https://blind-vla-paper.github.io