🧒 初中生也能看懂的版本
① 研究背景（为什么要做？）
想象教一个从没进过厨房的人做菜。你可以让他看一百遍视频，他也许能背下“先拿刀、再切菜”的顺序，可一旦换了灶台、换了锅的大小，他就手足无措。现在的机器人也是这样：看演示学动作的模型，在训练过的桌子和物体上表现不错，换一台机器人、换一种摆放方式，成功率就掉下来。
问题出在三个地方。第一，它只看眼前这一帧。同一个画面，可能是刚开始拿杯子，也可能是快要把杯子放下——只看一眼分不清，于是机器人会在原地反复做同一个动作，卡住出不来。第二，它不会想“接下来会怎样”。人伸手前会先在心里预演：这样抓会不会滑、这样放会不会倒。机器人通常不做这件事，伸手就抓。第三，它不知道自己有没有进步。做了一分钟后，它无法判断“离成功更近了还是更远了”，也就没法在走错时回头。
还有一个麻烦是数据。不同机器人的关节数、手爪形状、摄像头位置都不一样，把它们的录像混在一起训练，很可能互相干扰，而不是互相帮忙。
这篇论文的想法是：别再让一个模型包办所有事，而是像一家公司那样分工——有人负责看懂任务并拆成小步骤，有人负责预演未来和打分，有人负责动手。然后喂给它三万七千多个小时、来自十六种机器人的真实操作数据。
② 研究问题（要回答什么？）
作者把要回答的问题拆成了六条，前面几条是为后面几条铺路的。
第一，用什么“身体”来学最合适？他们试了三种视觉语言模型做骨架，发现更大的不一定更好用——有个八十五亿参数的模型在两项任务上很强，却在折衣服上完全失败；三十五亿的那个反而是唯一能折衣服的。
第二，动作模块该怎么接？是每一层都和语言模型交织在一起，还是只在最后一层接一下？前者更贵但更强，后者便宜却几乎学不会复杂任务。
第三，数据越多真的越好吗？他们想验证：把训练数据从少量加到三万七千小时，机器人的真实成功率会不会跟着涨，以及哪种任务对数据量最敏感。
第四，多看几帧历史画面有用吗？针对“原地打转”的毛病，他们想知道加点短期记忆能不能让机器人跳出循环。
第五，预演未来和打进度分，各自贡献多少？两个信号是分开加的，可以分别关掉来测。
第六，学完之后还能不能继续变强？也就是用机器人自己在真实世界里犯的错，再练一轮。
③ 研究方法（怎么做的？）
整套系统像一个小团队，分三个角色。
二号角色负责“看懂和拆解”。它拿到摄像头画面和一句人话指令，先在心里描述场景（“桌上有帽子、有包”），再把大任务拆成眼前这一小步（“拿起红帽子”）。它用的是一套三十亿参数的视觉语言模型。
三号角色负责“预演和打分”。这是一个五十亿参数的世界模型：给它现在看到的东西和当前小目标，它会“想象”接下来一小段视频，把最后一帧当成“应该变成什么样”的目标图；同时它还会给当前状态打一个进度分，分数在涨就说明路子对。这个角色训练完就冻结，不再改动，专门当裁判和预言家。
一号角色负责“动手”。它由三十亿参数的视觉语言骨架加五亿参数的动作专家组成，两条支路并排跑：一条用“预测下一个词”的方式吐离散动作，另一条用“流匹配”的方式一次生成一小段连续轨迹——可以理解成先把一团噪声慢慢“推”成一条平滑的动作路线。真正让机器人动的，是后面这条。
训练上有个巧思：过去常见做法是“先学语言、再学动作”，分两段容易互相打架。作者改成一次性联合训练，语言预测和动作生成的损失从一开始就一起算；同时给动作的梯度乘一个小于一的系数，让它“渗”进语言骨架而不是“冲”进去，既学会控制又不把原有的看图说话本事冲垮。
数据方面，他们把十六种机器人的录像统一成同一种格式，用有效性掩码区分“这个关节不存在”和“这个关节读数是零”，动作专家的主体参数大家共用，只给每种机器人配一套小小的输入输出适配层。最后用真人纠错的数据做离线和在线两轮强化练习。
④ 结果（发现了什么？）
先看最直观的一组对比。在折衣服、拆礼物这类需要连续接触的任务上，加上三号角色的两个信号后，效果是这样的：
四种配置本来都是百分之百成功，看不出差别；但完成质量分从 68.3 升到 81.7（只加目标图）、85.0（只加进度分）、88.3（两个都加），平均用时从 107 秒降到 75 秒。
不加信号时一次都没成功；只加目标图到 20%，只加进度分到 60%，两个都加到 80%，质量分从 61.1 升到 96.7。
再看“出厂即用”的能力。不做任何专门训练，同一个模型直接放到两种完全不同的机器人上听指令干活：在桌面双臂机器人上，六项语言指令任务平均 91.5%，高于对比模型的 88.8%；在人形机器人上平均 84.2%，而对比模型只有 75.2%。复杂操作任务的差距更大：人形机器人上平均 74.1%，对比模型 45.2%。
在公开的仿真擂台上，它在一个双臂操作基准的“加干扰”难度下拿到 67.9，而此前的冠军只有 46.0；在另一个移动操作基准上成功率 33.3%、进度分 46.1，也都是第一。
最后是用自己犯的错继续练。四个精细装配任务，只靠示范时平均成功 30%，加上离线练习到 57.5%，再加真人现场纠错的在线练习，四个任务全部到 100%。其中穿扎带这一项从零起步，离线到 40%，在线直接到满分。
⑤ 讨论（这些发现说明什么？）
这组结果最值得说的是“分工”带来的好处。以前的思路是把所有本事压进一个策略网络，指望它自己悟出“要不要先想一想”。作者反过来，把“想象未来”和“判断进度”做成独立的、训练完就冻结的模块，再把结果当成条件喂给动作模块。好处有两个：一是裁判不会跟着策略一起“学坏”，评价标准稳定；二是策略不必从零学会预测，直接拿来用就行。
折衣服那个例子很能说明问题。四种配置成功率都是百分之百，光看成功率会以为三号角色没用。可质量分和用时差得很远——这说明它改善的不是“能不能做完”，而是“做得好不好、快不快”。作者因此强调：当任务简单到成功率饱和时，必须看分数和耗时，否则会低估预测信号的价值。
“多看几帧”的效果也印证了前面的诊断。单帧策略会在视觉上相似的 state 之间打转：看起来像刚拿起，其实已经放下了，于是它又把东西拿起来，循环往复。加入短期记忆后，历史信息帮助它区分“这是第几步”，循环就被打破了。作者还特意让模型在训练时随机丢掉历史帧，避免它死记某个固定长度。
作者也坦率承认局限：跨场景、跨物体的泛化仍会明显掉分，尤其当物体、场景、任务组合同时变化时；一些需要持续接触的任务（比如扫米、揉面团）离饱和还很远；评测每个配置只有十到二十次试验，统计上并不宽裕；在线练习需要真人在旁边纠错，成本不低。
⑥ 结论（最终结论 + 启示）
一句话总结：把机器人大脑拆成“看懂—预演—动手”三个角色，再喂足够多、足够杂的真实操作数据，机器人就能在没见过的物体和场景上直接干活，并且能靠自己的失败继续变强。
这项工作给出的不只是一个更高的分数，而是一种组织方式：预测和评估值得被单独建模，而且应该冻结起来当稳定的参照。这对整个具身智能领域是个方向性的提示——与其把更多能力塞进一个越来越大的策略网络，不如想清楚哪些能力应该独立、哪些信号应该以什么形式接进来。
对普通人来说，这离“家里有个会叠衣服的机器人”更近了一步，但还没到。作者列出的下一步是：继续扩大异构数据、改进跨来源对齐、加强长时程预测，以及让“从自己的经验里学”这件事更自动、更少依赖人工纠错。
🎓 专业 IRMaD 结构解读
I. Introduction（引言）
VLA 已成为通用具身智能的主导范式，但“扩大规模”在具身上并不等同于“多收轨迹、加大策略网络”。机器人数据在形态、动作空间与执行条件上高度异质，缺乏对齐的多样性会带来干扰而非可迁移知识；模型层面，多数 VLA 仍是“观测→动作”的反应式映射，缺少对未来状态的预期与对行为进度的评估。近期工作分别用生成式视觉子目标、世界模型条件策略与预测式训练目标触及这一缺口，但理解与规划、预测判断、动作执行、经验驱动的持续改进四者，尚未在完整学习生命周期内被协调起来。
GigaBrain-0.7 的贡献是把这个协调做成了架构。其一，提出三系统结构：System 2（PaliGemma2 3B）负责理解与分层规划，System 3（基于 GigaWorld-1 的 5B World Value Model）负责未来观测预测与任务进度估值，System 1（PaliGemma2 3B + 0.5B Action Expert，双流 MoT）负责多形态连续动作生成。其二，把预训练做成一次性联合优化：NTP 与流匹配在同一阶段共同训练，并以 Soft Knowledge Insulation 软化动作梯度对 VLM 的冲击，避免多阶段流水线的优化割裂。其三，把数据规模推到 37,256.98 小时具身轨迹（16 种机型、1,810,101 条 episode、20.8 亿帧）加 2.72 亿条视觉语言样本，并给出数据规模、来源构成、骨架容量与耦合方式四条 scaling 曲线的实证。其四，让同一个 System 1 贯穿预训练、后训练与部署，形成 SFT → 离线 RL → 在线 RL 的连续经验闭环；四个真实装配任务的平均成功率由 30.0% 经 57.5% 升至 100%。相较 π0.5，真机语言指令平均 91.5% vs 88.8%（PiPER）、84.2% vs 75.2%（H01），复杂操作 84.9% vs 76.6%、74.1% vs 45.2%。
I. Theoretical Framework & Hypotheses（理论框架与假设）
三层耦合结构。论文把系统分为三层：world simulation（语义理解、任务规划、未来预测与评估）、action alignment（把多模态信号映射到异构形态的连续控制）、experience reinforcement（把执行经验回流到离线与在线改进）。三层之间通过结构化接口通信：System 2 输出思维链与子任务指令，System 3 输出子目标图像 g_t 与进度值 V_t，System 1 接收二者并生成动作块。
双流 MoT 的耦合方程。设 H_l^VL、H_l^AE 为第 l 层两流隐状态：O_l^VL = CausalAttn_l(H_l^VL; H_l^VL)、O_l^AE = Attn_l(H_l^AE; [H_l^VL, H_l^AE])、H_{l+1}^VL = FFN_l^VL(O_l^VL)、H_{l+1}^AE = FFN_l^AE(O_l^AE)。VL 流保持因果自注意力以延续预训练的自回归接口，动作流对两流拼接做双向注意力，从而在不把动作表征注入 VLM 注意力的前提下获得完整语义上下文。
核心假设。(H1) 异构数据规模与真实机器人能力正相关，且复杂长时程任务对数据覆盖更敏感；(H2) 显式的未来预测与进度评估能改善“成功率已饱和”场景下的质量与效率；(H3) 冻结的 World Value Model 提供的优势条件可使策略在推理时偏向推进型行为（类似 RAMP，但优势来自专用世界价值模型而非人工标注或 VLM 推理）；(H4) 同一策略在离线与在线经验上继续训练可持续提升，无需引入独立控制器。
| 编号 | 研究问题 | 对应设计 / 判据 |
|---|---|---|
| RQ1 | 何种骨架与耦合方式适合大规模具身预训练 | 3 种 VLM 骨架 × 3 种耦合（双流 / 末层交叉注意 / 多层交叉注意），真机三任务 |
| RQ2 | 数据规模与来源构成如何影响能力 | 固定架构，变数据量；3,000 h 机器人数据 + 等量 UMI / EGO / 两者组合 |
| RQ3 | 时序上下文能否化解重复状态歧义 | Temporal-Spatial Blocks 开 / 关的定性对照（图 9） |
| RQ4 | System 3 两路信号的独立与联合贡献 | Base / +SubImage / +Value / +SubImage+Value 四配置 × 三任务 |
| RQ5 | 异构预训练是否产生开箱即用与 OOD 泛化 | 不经任务适配直接部署于 PiPER 与 H01，ID / OOD 对照 |
| RQ6 | 经验驱动 RL 能带来多少增量 | SFT / 离线 RL / 在线 RL 三阶段 × 四个真实任务 |
M. Materials & Methods（材料与方法）
- 架构家族与参数：Transformer 系 VLA，双流 Mixture-of-Transformers。System 1 = PaliGemma2 3B（视觉语言）+ Action Expert 0.5B，整机 3.5B；System 2 = PaliGemma2 3B；System 3 = 基于 GigaWorld-1 的 5B World Value Model（MoT，未来预测与价值估计共享主干、价值通路以视觉观测为主）。动作侧同时保留 NTP 离散通路（经视觉语言头自回归输出离散动作 token）与 FM 连续通路（动作专家以条件流匹配生成动作块），部署使用后者。
- 数据规模：清洗后具身轨迹 37,256.98 小时——真机 20,535.65 h（55.12%）、UMI 8,251.83 h（22.15%）、EGO 2,862.36 h（7.68%）、仿真 1,453.92 h（3.90%）、世界模型生成 4,153.22 h（11.15%）。真机覆盖 16 种机型、1,810,101 条 episode、2,077,837,071 帧（Maker H01 占 43.82%，Maker M01 20.14%，Agibot-G1 18.30%）。视觉语言样本 271,976,674 条，覆盖 caption、VQA、空间关系、region grounding、点预测、affordance 与机器人任务理解。全部轨迹统一转为 LeRobot v3.0，做跨形态状态—动作归一化与 LLM 辅助的指令改写 / 子任务标注。
- 一次性预训练目标：
L_NTP = −E[Σ_j m_j log p_θ(y_j | c, y_<j)]；流匹配构造a^τ = τ·a + (1−τ)·ε、L_FM = E[‖v_θ(a^τ, c, τ) − (a − ε)‖²]；联合目标L_VLA = L_NTP + L_FM。Soft KI：∇_{θ_VL} L_VLA = ∇_{θ_VL} L_NTP + α_KI · ∇_{θ_VL} L_FM，0 < α_KI < 1——动作梯度在 Action Expert 内全额传播、进入 VLM 前被衰减，取代 π0 式完全阻断的 Knowledge Insulation。 - 时序与分层监督：视觉编码器内插入 Temporal-Spatial Blocks，先沿时间因果聚合近邻帧、再做当前帧的空间建模，处理后丢弃历史帧 token，使进入 VLA 的视觉 token 数与单帧设置相当。训练时随机丢弃历史观测以覆盖不同上下文长度。每条轨迹同时携带任务级指令
ℓ与时间对齐的子任务指令ℓ̂_t，混合两种监督：两者都给（直接预测动作）与只给任务级指令（迫使 System 2 先自回归推断子任务），因果掩码防止子任务目标与未来动作泄漏。 - 多形态对齐：本体状态经逐形态有效性向量逐元素掩码后，与 Robot ID 一起经专用投影进入共享表征；无效动作维度同时从流匹配监督与噪声注入中排除。Action Expert 主 Transformer 参数跨形态共享，仅输入 / 输出投影按形态特化；旋转统一用连续 6D 表示；第一人称数据把未来动作重表达到当前观测坐标系。
- System 3 两阶段训练：Stage I 在真机与仿真数据上继续机器人中心视频预训练，输出与动作块时域对齐的未来视频，取末帧为子目标
g_t；Stage II 把视频预训练检查点扩成 MoT World Value Model，以轨迹级完成度标注监督进度值V_t。此后参数冻结，仅生成g_t、V_t，不接收梯度。 - 世界模型驱动的后训练：
A_t = 1[V_{t+δ_t} − V_t > 0] ∈ {0,1}，作为条件 token 注入 VLA prompt；后训练上下文c_t^post = (c_t^base, g_t, A_t)，仍优化式 6 的流匹配目标。条件 dropout：子目标图 0.50、价值条件 0.15，独立丢弃，使模型见过“无 / 仅图 / 仅值 / 两者”四种情形。 - 经验强化：SFT → 离线 RL（用部署 rollout 中的成功、失败与纠错片段，按进度回报与价值估计做优势加权）→ 在线 RL（重新部署采集 on-policy 轨迹，在困难状态引入人类纠正，actor–critic 结合进度反馈与终局结果）。三阶段始终精炼同一个 System 1 部署策略，不引入独立控制器。
- 评测协议：真机平台 AgileX PiPER / PiPER-X 与自研人形 Maker H01；每配置 10–20 次试验，以全程任务完成率为主要指标；区分 ID 与 OOD（未见物体、布局、指令组合）。仿真侧 RoboTwin 2.0 采用官方 Co-Train（单策略联合后训练 50 任务 × 50 条干净演示）、EBench 与 RoboColiseum（重建式 Real2Sim2Real）。
R. Results（结果）
- 骨架与耦合选择：更大骨架并不必然更强——Gemma 4（8.5B）在 Clean Desk（限定范围设置）与 Fruit Picking 达 100% / 92%，但 Shirt Folding 为 0%；Qwen3.5（5B）Fruit Picking 仅 12%、Shirt Folding 0%；PaliGemma2（3.5B）50% / 88% / 30%，是唯一在折衣上非零的骨架，故被选为后续默认。耦合方式上，双流（逐层交织）在三项真机任务全面领先，代价是推理 0.221 s 对 0.073 s（末层交叉注意）与 0.108 s（多层交叉注意）。
- System 3 消融（Base / +SubImage / +Value / +SubImage+Value）：
| 任务 / 指标 | Base | +SubImage | +Value | +SubImage+Value | 关键 delta |
|---|---|---|---|---|---|
| 折衣 · 成功率 | 100% | 100% | 100% | 100% | 已饱和，无区分度 |
| 折衣 · 质量分 | 68.3% | 81.7% | 85.0% | 88.3% | +20.0 个百分点 |
| 折衣 · 平均用时 | 107 s | 83 s | 79 s | 75 s | −32 s（−29.9%） |
| 包礼物 · 成功率 | 0% | 20% | 60% | 80% | 0 → 80% |
| 包礼物 · 质量分 | 61.1% | 71.4% | 93.3% | 96.7% | +35.6 个百分点 |
| 方块分拣 · 成功率 | 40% | 50% | 45% | 55% | +15 个百分点 |
| 方块分拣 · 质量分 | 55.0% | — | — | 87.5% | +32.5 个百分点 |
- 后训练·多任务语言跟随（六任务均值）：AgileX PiPER 上 GigaBrain-0.7 91.5%，π0.5 88.8%、G0.5 81.4%、GigaBrain-0.1 76.1%、Xiaomi-Robotics-1 72.3%；Maker H01 上 84.2%，π0.5 75.2%、GigaBrain-0.1 69.6%、Xiaomi-Robotics-1 58.7%、G0.5 25.7%。H01 上提升最大的两项为 Button Push（44.4% → 100%）与 Spoon Grasping（34.4% → 56.3%）。
- 后训练·单任务复杂操作：PiPER 五任务均值 84.9%（π0.5 76.6%、GigaBrain-0.1 64.8%、Xiaomi-Robotics-1 48.9%、G0.5 37.8%），Tableware Arranging 由 38.9% 升至 94.4%、Rice Sweeping 由 20% 升至 40%；H01 七任务均值 74.1%（π0.5 45.2%、GigaBrain-0.1 43.2%、Xiaomi-Robotics-1 32.8%、G0.5 8.3%），Food Prep. & Heating 由 50% 升至 85%、Dish Cleanup & Washing 由 40% 升至 100%、Cube Sorting 由 8.3% 升至 41.7%。
- 具身视觉语言（MiMo-Embodied，13 项）：Overall 0.4621（Spatial 0.5215、Affordance 0.3669），高于 G0.5-base 0.3916、Spirit-v1.5 0.3320、Wall-OSS-0.5 0.1540、Xiaomi-Robotics-0 0.1108。把 MiMo 数据并入同一一次性预训练混合后，检查点进一步达到 0.5704——但因训练集与评测集不再互斥，作者仅将其视为持续预训练诊断而非留出成绩。
- 仿真基准：RoboTwin 2.0 官方 Co-Train 协议下 Easy 66.8 / Hard 67.9 / Overall 67.35，π0.5 为 70.7 / 46.0 / 58.35——干净环境下略低但域随机化后大幅领先，体现鲁棒性；EBench SR 33.30%、Score 46.1，π0.5 为 28.08% / 42；RoboColiseum 四维全面第一：指令跟随 0.8166、空间推理 0.4729、鲁棒性 0.6800、通用操作 0.6092（π0.5 为 0.7460 / 0.3560 / 0.6130 / 0.5820）。
- 数据 scaling：固定架构下，验证损失随预训练数据量单调下降，各规模间差距在整个优化过程中保持；真机性能随机器人数据量上升，且混沌折衣对数据规模的依赖远陡于水果抓取——复杂长时程技能对预训练分布覆盖的要求更高。从 3,000 h 机器人数据出发，加入等量 UMI 或 EGO 均优于纯机器人数据，三者组合最佳，且该增益在后训练之后依然存在，说明改变的是预训练先验的质量而非仅提升基座策略。
- 经验强化：四任务平均成功率 SFT 30.0% → 离线 RL 57.5% → 在线 RL 100%。逐任务：Link Installation 20 → 40 → 100、Gift Box Packing 80 → 90 → 100、Cable Tie Insertion & Tying 0 → 40 → 100、Bearing Installation 20 → 60 → 100。离线阶段增益与初始策略强弱负相关（SFT 已 80% 的 Gift Box 仅 +10），在线阶段增益集中在对齐、插入、穿线等精度关键状态。
a / D. Discussion & Conclusion（讨论与结论）
- 架构层面的启示：把“预测—评估”外置并冻结。System 3 不参与后训练梯度，只提供稳定的
g_t与A_t。这既避免了“裁判与选手一起漂移”，也让策略可以直接消费预训练好的世界知识，而不必从零学会预测。与 π0.7、π*0.6 依赖人类标注或 VLM 推理评估动作质量相比，本文的优势来自世界模型在想象轨迹上的稠密估值，作者报告其与真实 rollout 结果更一致、跨场景更稳；相较 GigaBrain-0.5M*，把预测时域延伸到动作块之外进一步提升了复杂任务成功率与鲁棒性。 - “涌现”的证据边界。作者主张随数据规模出现能力涌现，证据链是：验证损失单调下降 + 真机成功率随数据量上升 + 折衣等复杂任务对规模更敏感 + 开箱即用的 OOD 执行。这属于“规模—性能趋势”，尚非相变式的定量涌现判据；论文亦未给出不同规模下的幂律拟合。
- 一次性预训练的价值与代价。NTP 与 FM 同阶段优化消除了多阶段流水线的优化割裂，Soft KI 以
α_KI提供“部分隔离”的连续旋钮（π0 是完全阻断）。代价是 VLM 仍会被动作梯度部分改写，需以 NTP 监督维持通用视觉语言能力——MiMo-Embodied 0.4621 的总体表现说明这一平衡在当前规模下成立。 - 局限：(1) 架构比较的三种骨架在模型规模与图像分辨率上并不同质，作者自述这不是受控的 scaling 研究，故结论限于“本设置下 PaliGemma2 更稳”；(2) ID–OOD 差距仍显著，尤其当物体身份、场景配置与任务组合同时偏移时退化明显；(3) 每配置 10–20 次试验，置信区间较宽，部分任务间差异可能不显著；(4) 接触密集型任务（扫米 40%、方块分拣 41.7%）远未饱和；(5) 在线 RL 依赖人类现场纠正，成本与可扩展性受限；(6) 最终 MiMo 分数 0.5704 与训练集不再互斥，不能作为留出指标引用。
- 实践启示：对做具身产品的团队，可直接借用的是“一个策略贯穿预训练 / 后训练 / 部署”的设计——省掉了独立控制器带来的接口与一致性成本；以及“条件 dropout”（0.50 / 0.15）这一让策略在缺失预测信号时仍能退化的稳健性手段。评测层面，本文示范了当成功率饱和时必须补报质量分与完成时间，否则会系统性低估预测类模块的贡献。作者承诺公开全部训练代码与预训练权重，并计划把实现并入 XPolicyLab 以统一 RoboTwin 2.0 / RoboDojo 的训练—推理—部署流程。
🧠 IRMaD 思维导图
mindmap
root((三系统具身大脑))
I 引言
VLA 只会看画面出手
异质数据易互相干扰
分不清重复状态
不知道该不该回头
R 问题
哪种骨架最稳
动作模块怎么接
数据越多越好吗
多看几帧有用吗
预演与打分各占多少
学完还能再练吗
M 方法
二号看懂并拆步骤
三号想象未来打进度分
一号双流生成动作块
一次联合训练不分段
动作梯度软化入骨架
三万七千小时十六机型
时序块融合历史帧
冻结世界价值模型
R 结果
折衣质量分 88.3
折衣用时 107 到 75 秒
包礼物 0 到 80
指令跟随 91.5 与 84.2
干扰赛 67.9 分
离线到在线 30 到 100
a 讨论
预测评估应外置冻结
成功率饱和要看质量分
记忆打破重复动作环
跨场景泛化仍会掉分
在线练习依赖人工纠错
D 结论
分工优于单一策略
开箱即用初步成立
经验闭环可持续变强
权重与代码将公开
图：本研究的 IRMaD 思维导图。蓝色 I 引言；橙色 R 研究问题；绿色 M 方法； 橙色 R 结果；紫色 a 讨论；红色 D 结论。