物理反馈开始成为可用的 VLA 输入
MoSS 给了当天最强的实证理由，把物理反馈直接加入视觉-语言-动作模型。它把触觉和力矩输入分成独立通道，再通过共享注意力让它们与动作模型交互。在四个真实机器人任务上，完整模型把 GR00T N1.5 的平均成功率从 20.8% 提高到 49.0%，把 pi_0 从 26.1% 提高到 45.9%。在双信号设置下，报告的额外开销只有 1.11x。这里的任务组合很关键：杯子拆叠、鸡蛋抓放、板擦除和插头插入都依赖视觉单独看不到的接触线索。
概览
这一天的重点很集中，都是在处理能承受真实部署约束的机器人适配。一个工作把触觉和力矩信号加入 VLA 策略，在接触密集任务上的平均成功率几乎翻倍。另一个工作表明，只要模型保护好预训练的视觉 grounding，并在推理时用提示引导，小规模后训练也能保住指令跟随能力。
研究发现
低数据适配现在更看重可操控性，而不只是任务匹配
DeLock 关注的是一个更窄但很重要的失败模式：低数据后训练会让机器人在学会任务后不再服从新指令。论文在微调时让视觉编码器尽量保持预训练状态，然后在测试时用 Contrastive Prompt Guidance（CPG）把动作生成偏向新提示词。在 8 个任务、每个 20 次试验的设置下，它在两个概念锁定测试上得到 19/20，在几个空间锁定测试上得到 11/20 到 14/20。相对低数据基线 RETAIN，提升幅度很大，包括 T2 上 19/20 对 0/20，T8 上 13/20 对 1/20。消融也显示，CPG 承担了大部分空间泛化工作。