具身任务可靠性

给现有 VLA 加一个物理反馈适配器，现在看起来是个很实用的构建方向，适合那些卡在插头插入、易碎物抓取、擦拭或其他重接触步骤上的团队。本周最有力的证据来自 MoSS：这是一个模块化附加组件，把触觉流和力矩流分开，分两个阶段与预训练 VLA 对齐，然后再联合微调。在四个真实机器人任务上，GR00T N1.5 的平均成功率从 20.8% 提升到 49.0%，pi_0 从 26.1% 提升到 45.9%，而推理开销只小幅增加。这个产品形态很明确：它是给一小组容易失败的技能加上的即插即用感知侧车，不是把整套策略栈全部重训。

第一类客户是已经有 vision-language-action 策略、在接近和大幅运动上表现正常，但一到首次接触就掉可靠性的机器人团队。一个低成本的验证办法是，对一两个反复出现的失败模式加监测，然后在同一台机器人上比较三个版本：纯视觉、单一物理模态、以及双流触觉加力矩。MoSS 的消融实验给这个测试提供了明确的设计约束。解耦流、分阶段训练和未来信号目标都很重要，所以快速原型应该保留这些选择，而不是把所有东西压进一个融合编码器里。如果这些增益能在一组小型接触任务上复现，且时延成本低于 1.1x，这就会成为一个很容易为生产操作场景争取通过的支撑层。

使用 world model 的机器人团队，在信任生成 rollout 可用于策略训练或规划器选择之前，需要先加一道可执行性关卡。RoboWM-Bench 给了这道关卡一个直接模板：生成未来操作视频，把视频转换成机器人动作，在受控模拟器中执行，再同时评估接触、抬起等中间步骤和最终任务完成情况。现在就该做这件事，原因很直接：视觉效果很强的生成视频，执行起来还是会散掉。论文结果里，早期接触经常能成功，但任务后续步骤会失败。在机器人评测中，即使表现较好的模型，任务成功率也依然偏低，而且在把物体放进抽屉这类更难的序列里，常常第一步之后就崩掉。

这更像是工作流调整，不只是一个研究基准。任何在收集合成机器人视频、用 imagined futures 做规划、或用生成轨迹做微调的团队，都可以在数据进入训练前插入一道可执行性筛选。第一版不需要整套新的模拟器栈。它需要一小组带步骤检查的任务、一个适配当前 embodiment 的 video-to-action 重定向路径，以及一套能筛掉视觉上像样但力学上错误样本的通过/失败阈值。一个低成本试点是，拿当前两个任务中排名前 100 的生成 rollout，测量从接触到完成的成功率落差。如果这个落差很大，团队就有一个被图像级评估掩盖的数据质量问题。

在团队声称 VLA 模型具备指令 grounding 或长时程能力之前，评估里需要先加入受控干预测试。BeTTER 给出了一个具体做法：保留基础操作任务，再通过布局变化、基本动作重组、干扰物扰动和时间变化把它们扩展出来，迫使模型跟踪状态并组合子目标。这很重要，因为标准基准分数可能依然很高，但同一个模型在部署环境里常见的小变化下就会崩掉。

最直接的构建方式，是给团队已经在仿真或工作单元上跑的任务做一套内部压力测试包。论文里报告的失败点说明了该把注意力放在哪里。指令 grounding 可能会围绕属性词出现明显偏置，而没见过的子目标组合即使组成它的技能分别都见过，成功率也可能接近零。一个低成本检查方法是，复制五个现有基准任务，为每个任务加入一个受控干预，然后比较成功率变化量，而不是只看绝对分数。如果下降很严重，那么在布局、对象身份或步骤顺序会跨班次变化的场景里，团队就存在部署障碍。