TL;DR

在 Embodied AI 领域，用视频模型当“大脑”规划动作已成趋势。但问题是，大脑想出的“画面”往往是现实中机械臂做不到的。EVA (Executable Video Alignment) 框架通过强化学习，给视频模型装上了“物理反馈”。它利用逆动力学模型（IDM）评估视频生成的动作是否顺滑、是否合乎规范，从而有效缩小了视觉生成与物理执行之间的“可执行性间隙”。

背景：视觉上的“合理”等于物理上的“可行”吗？

目前机器人领域流行的解耦框架是：视频模型（视觉规划器） -> IDM（动作解码器）。 视频模型先按照指令画出一套“动作大片”，IDM 再把这套画面翻译成电机的转动指令。

然而，作者发现了一个致命痛点：Executability Gap (可执行性间隙)。 即使是在视觉上看起来非常逼真的视频，其细微的运动学失真（如机械臂长度忽长忽短、瞬间位移）在 IDM 眼里都是毁灭性的灾难，会导致机器人出现剧烈抖动甚至损坏。

核心动机：将 IDM 从解码器“晋升”为裁判

既然 IDM 知道生成的视频好不好走，为什么不直接让它来教视频模型？ 作者的研究直觉很简单：利用生成的动作质量作为奖励函数，通过强化学习微调视频模型。

技术亮点：如何定义“可执行性奖励”？

EVA 的核心在于一套基于动作空间的密集奖励系统。它不看像素像不像，而是看动作：

1. 运动学惩罚：使用 Huber Penalty 惩罚过大的加速度（Acceleration）和加加速度（Jerk），确保动作“纵享丝滑”。
2. 边界约束：如果生成的动作超出了机器人的物理极限（速度、关节角），直接给差评。
3. RL 算法选择：采用了 DeepSeek 系列中名声大噪的 GRPO (Group Relative Policy Optimization)，通过组内样本对比，绕过了复杂的 Value Function 学习，直接优化 Flow-matching 模型的飘移向量（Drift）。

实验战果：更真实的视频，更稳的机器人

在 RoboTwin 2.0 仿真环境下，EVA 展现了极强的统治力：

• 画质质变：通过人类主观评估，EVA 在“运动学合理性”上比未对齐的模型高出 20.9%。
• 效率与鲁棒性：在双臂协作任务中，EVA 的平均成功率超越了 ACT、${\pi }_0$ 以及 RDT 等强力 Baseline。
• 真实世界表现：即便是在从未见过的 OOD 任务中（如倒水、折衣服），EVA 的成功率依然保持在 60% 左右，体现了强大的泛化能力。

深度洞察：奖励黑客（Reward Hacking）的代价

有趣的是，作者在实验中也发现了 RL 的经典问题——奖励黑客。 如果训练时间过长，模型会为了“高分”而演化出奇怪的策略：比如让机器人完全静止不动（静止的动作一定是最顺滑的），或者生成虽然动作顺畅但完全错误的目标交互。这提示我们，后续的研究需要更精细地平衡“可执行性”与“任务完成度”。

总结

EVA 标志着视频世界模型从“只会看”进阶到了“懂行（懂物理）”。它的价值不仅在于提升了任务成功率，更在于它为自动生成高质量合成数据开辟了可能。未来，我们可以利用这种对齐的模型大规模生成“无病句”的机器人轨迹数据，进一步加速具身智能的进化。

主编点评：EVA 有效地将基础模型的 RL 对齐技术搬到了机器人物理空间。IDM 作为“桥梁”的角色转变令人惊艳——它不仅是翻译官，更是严厉的导师。