共 2 篇
视觉语言动作模型一换环境就容易翻车。R2A 把历史成功演示整理成动作基元图，推理时检索匹配的几何先验，与冻结的 VLA 输出门控融合。三大主流模型上仿真最多加 12 个点、真机加 40 个点，全程不微调基座。
论文提出在测试时生成反事实改动的做法，让模型少依赖训练集里的伪相关。读完能知道它成立的条件、代价，以及为什么不能当成万能补丁。