视觉-语言-动作模型能否学习未来操作目标，而不只学动作？

Effect 由三类证据共同构建

标准的视觉-语言-动作策略把图像、语言和机器人状态直接映射为一段动作块，因此训练信号描述的是机器人执行了什么命令，而不是命令改变了什么。AFCE 改变了预测目标：一个离线分词器从三类同步来源构建按时间排序的 Effect token，即演示中的动作、机器人实际产生的响应，以及稀疏的视觉变化。随后，重建目标促使这一表示同时保留可执行的动作细节和观测到的物理变化。

这一点重要，是因为两种失败模式并不相同。完整的视觉未来包含外观、遮挡和相机运动带来的变化，而这些变化未必决定下一条控制命令；反过来，仅凭场景变化又可能漏掉接触时机、手指协调和机器人运动。论文的设计选择是让动作、机器人响应和世界变化三类信号共同约束同一个共享表示，而不是手工为它设计语义标签。

部署时策略只看到当前观测

推理时，策略不会收到未来图像。一个流匹配 VLA 根据当前图像、指令和机器人状态预测 Effect，再由一个以状态为条件的解码器把该 Effect 转换为动作块。未来证据只用于构建训练目标，这也是论文称该 Effect 既能在行动前被预测、又能解码为可执行动作的原因。

单臂和双臂任务通过针对具体本体的接口共享 Effect 模型：动作适配器和响应适配器把各自的原生坐标映射到统一特征宽度，而状态投影和动作解码接口仍按配置区分。视觉编码器、跨模态融合、时序 Effect 建模和 Effect 预测主干则是共享的。论文明确指出，这种共享并不构成本体无关的表示，因为并不要求不同机器人对相似结果产生相同的 Effect 编码。

增益集中在双臂协调任务

在 rand-obj 设置下的 DexJoCo 上，AFCE 的总体成功率为 50.97%，π0.5 为 39.15%，所评估的 UVT 基线为 35.76%，差距分别为 11.82 和 15.21 个百分点。论文报告 AFCE 在全部五个双臂任务上领先，作者也正是在这里定位 Effect 监督对协调性灵巧操作的价值。

同一张表也显示了代价。对精度敏感的单臂控制依然困难：在 Pinch Tongs 上，AFCE 得分为 5.33%，而 π0.5 为 43.33%，论文的限制部分把这一结果列为尚未解决的精度控制局限。因此，比较不同方法的读者应先看双臂任务的分布，再看总体平均值，因为平均值把明显优势与明显劣势混在了一起。

Effect 空间重叠不等于动作准确

补充分析是在 110 条演示轨迹（每个任务十条）上做的样本内诊断，不是留出验证，也不是闭环评估。在联合 PCA 与 t-SNE 投影中，真实 Effect 与预测 Effect 有明显重叠，但论文提醒，二维空间中的重叠并不能证明动作读出准确，并且展示了投影几何会随三种 t-SNE 设置而变化。

物理读出误差的数字让差距更具体。在匹配的演示窗口上，真实 Effect 配合适配后的解码器，每只手的平均位置误差为 8.30 mm；预测 Effect 配合同一解码器则为 36.91 mm；旋转误差从 2.97 度升到 7.68 度，手指误差从 1.15 度升到 2.97 度。这些是相对演示动作的误差，不是任务成功率，因此它们衡量的是预测 Effect 能被多准确地解码，而不是任务被完成的频率。

Effect 监督在何处值得额外成本

论文自身给出的边界是任务类型。最强证据来自协调性双臂操作，在这类任务中，接触、手部构型和物体位姿会让相似命令产生不同结果；最弱证据来自精细单臂控制，AFCE 在 Pinch Tongs 上落后于 π0.5。任何评估这一方法的人，都应先问自己的任务依赖的是持续双手接触与转移，还是精确的单臂控制，因为报告中的比较正是沿这条线分开的。

该方法还附带两个条件。构建训练目标需要时间对齐的动作、机器人状态和未来图像，而视觉特征可能漏掉细微接触，或受遮挡和视角变化影响。离线构建目标还会增加训练成本。报告的标准差来自三个评估种子、每种方法一个训练检查点，因此衡量的是评估波动，而不是独立训练之间的波动。

监督物理结果，而不只是命令

论文最有辨识度的主张是一种优先级排序，而不是通用配方：当任务成败取决于命令在物理上实现了什么时，把这种以未来为依据的 Effect 作为主要目标，就是能带来回报的改动，五个双臂 DexJoCo 任务就是证据。当瓶颈是精确的单臂控制时，这些结果并不支持同样的替换，Pinch Tongs 的对比就是具体反例。

读出诊断还为后续工作设定了第二道门槛：一个在二维投影中看起来组织良好的预测 Effect，解码后仍可能带来约 36.91 mm 的位置误差，因此判断 Effect 质量应看解码后的动作误差和闭环成功率，而不是只看嵌入是否重叠。

本文引用的文献