开云(中国)Kaiyun·官方网站 - 登录入口

这项由浙江大学、清华大学及RoboParty Lab共同完成的盘问，以预印本阵势于2026年7月28日发布在arXiv平台，论文编号为arXiv:2607.26056v1，感兴味的读者可通过该编号顺利检索好意思满论文。

**一个让机器东说念主头疼的老问题**

教一个机器东说念主"把阿谁红色方块推到边缘里"，听起来简便，试验上难倒了无数工程师。不是因为机器东说念主看不见方块，也不是因为它不知说念边缘在那处——而是它不知说念该奈何把"我目下在这里，宗旨在那里"这件事，滚动成手臂的一个个具体动作。

现存的机器东说念主死心系统频频是这么职责的：机器东说念主先在脑子里建一张"天下舆图"，这张舆图纪录的是"要是我作念了动作A，天下会形成什么神情"。要到达宗旨，它就从当场动作起头，一遍随处在脑子里模拟"要是我先推一下，再转一下，再推一下……最终能不成到达宗旨？"筛选出那些最接近宗旨的决策，持续迭代，直到找到一个差未几的谜底。

这个递次就像一个不会看舆图的东说念主，在城市里找一家餐厅，只可靠漫无目的地走路、持续问路、反收复路复返来接近宗旨。每一次外出都要试探数千条道路，不仅慢，而且滥用宽绰研究资源。盘问团队将这种递次称为CEM（交叉熵递次），在他们的实验中，这种"穷举料到"每次贪图要花1.48秒，还要生成9000条候选动作序列。对于需要快速反应的机器东说念主来说，这简直是不可接收的。

问题的根源在于，机器东说念主的"天下舆图"只可告诉它"动作会导致什么"，却莫得学会"想要某个终结，该用什么动作"。这就好比只学会了"踩油门车会加快"，却从没熟识过"要超车，该奈何踩油门"。这两件事名义上对称，试验上之间有一说念深深的鸿沟。

浙大和清华的盘问团队找到了一种填平这说念鸿沟的递次，他们将其定名为**INTACT**（INtent-To-ACTion，意图到动作）。这套递次让机器东说念主从示范摄像中我方学会"意图→动作"的对应联系，贪图时无需穷举料到，顺利给出谜底，推理蔓延从1.48秒骤降至2.9到5.5毫秒，约快了300倍。

---

**一、天下舆图的先天弱势：只会展望，不会贪图**

机器东说念主的"天下舆图"在学术上叫作念潜活着界模子（Latent World Model），不错把它意会成机器东说念主大脑里的一个"物理模拟器"。这个模拟器接收两样东西四肢输入：现时天下的景况，以及一个动作。然后它给出输出：膨胀了这个动作之后，天下会形成什么样。

教训这个模拟器的方式是给它看宽绰的摄像：东说念主在驾御机器东说念主时的视频，纪录了每一帧画面以及对应的操作动作。模拟器持续学习，最终能够相当准确地展望"膨胀动作A后的下一帧画面"。

本文的基准系统LeWM（Le World Model，由法国国度信息与自动化盘问所集聚纽约大学发布）等于这么一个天下模子。它在四个尺度任务上（推T形积木、搬立方体、机械臂触碰宗旨点、两房间导航）的死心肠能，是该领域目下最常被援用的基准之一。

可是LeWM自己并不会"主动贪图"。它只是一个被迫的展望器。当需要死心机器东说念主完成任务时，必须在它外部加一个搜索引擎——CEM。CEM的职责等于反复生成当场动作序列，喂给LeWM模拟畴昔景况，望望哪个序列最终能让天下景况接近宗旨，然后膨胀阿谁序列。

盘问团队指出这里有一个根人道的"语义空缺"：LeWM在教训时，动作天然参与了学习，但它学到的是"动作导致景况变化"，而不是"景况变化需要什么动作"。前向标的（动作→景况变化）和反向标的（景况变化→动作）在统计上是不合称的——前向是细目的物理规则，反向则是多对一的映射，需要额外的监督信号才调学好。LeWM的教训宗旨里统统莫得这个反向的"意图→动作"对应联系，是以它的里面暗示（潜在空间）对于"怎样从A走到B"来说是"未校准的"——就像一把莫得刻度的尺子，天然能量，但读数不顺利告诉你要奈何作念。

---

**二、INTACT的中枢瞻念察：每一段示范摄像都藏着谜底**

盘问团队的中枢发现是一个朴素却深入的不雅察：哪怕示范摄像是无序的、莫得任何奖励标签的，每一条有动作标注的景况调理，自己就如故告诉了咱们"在这个景况下，想要产生这种变化，需要膨胀这个动作"。

把这个想法放大到统共这个词数据集：宽绰的示范摄像合在一说念，就刻画出了一张好意思满的"意图族群与对应动作族群的映射图谱"。不同的意图（我想往左转移一小步 vs 我想大幅右转）对应着不同的动作族群（微调 vs 大幅转向）。这些对应联系静静地藏在数据里，只是从来莫得东说念主特意去索取它们。

INTACT的设计念念路恰是从这里开赴：与其让机器东说念主学完天下模子之后再另找一个外部搜索引擎，不如在教训天下模子的同期，顺带把"意图→动作"的对应联系也学进去，况兼让这个学到的对应联系顺利在推理时产活泼作，统统跳过搜索技艺。

为了把这个想法形成具体的算法，盘问团队引入了"引导意图"（motion intent）这个办法。所谓引导意图，在数学上极其简便：等于宗旨景况的潜在暗示减去现时景况的潜在暗示，获取一个"位移向量"。这个向量指向"我想去那处"，而不是指定一条具体的旅途。

教训时，INTACT为每个时刻步构造两种意图：一种叫"物理意图"，等于下一个试验景况减去现时景况，是如故真实发生的一步变化；另一种叫"部署意图"，等于最终宗旨景况减去现时景况，是"距离至极还有多远"的信号。这两种意图都被喂给并吞个叫作念"INTACT展望器"的网络，让它学会"给定现时景况和意图，展望应该膨胀什么动作"。

这里有一个关键的妙技：物理意图来自下一个真实景况，这个景况是跟着网络参数更新而变化的，是以它的梯度不错好意思满地流回编码器，匡助编码器保留"动作可永别"的信息；而部署意图里的宗旨景况则被施加了"罢手梯度"（stop-gradient）处理——宗旨等于宗旨，不跟着教训而变动，它只是一个固定的锚点，告诉网络"部署时要朝这个标的辛勤"。这种不合称的梯度设计，使得两种意图各司其职，既不相互干扰，也不被强行拉成一样的数值。

---

**三、同构性：为什么并吞套参数能管事两种不同的意图**

INTACT里有一个听起来很玄的词："同构性"（isomorphic）。盘问团队用这个词刻画了两件事，不错用一个简便的类比来意会。

联想你是一个经历丰富的厨师，有东说念主告诉你"菜里需要更多盐味"，你坐窝知说念该加些许盐——不管这个需求是因为"我刚尝了一口以为淡"（物理意图，肖似已知下一步景况）如故"宾客点了一说念偏咸的菜"（部署意图，肖似指定了一个迢遥的宗旨景况）。相似的需求刻画方式，相似的厨师，但情景来源不同。

这恰是INTACT的核神思制：两种意图都被抒发为并吞种阵势的"位移向量"，都经过相似的输入语法处理，都被喂给并吞个INTACT展望器网络，输出并吞种阵势的动作展望。结构上统调和致（这是第一层同构），而且两种意图诱发的动作族群之间也存在逐一双应联系（这是第二层同构）——不是说两种意图的数值要相等，而是说"物理上等价的变化请乞降部署上等价的宗旨申请，应该对应相似的动作族群"。

盘问团队还发现了一个首要的输入语法细节。INTACT展望器的输入由四个槽位构成：现时景况的潜在向量、意图向量、现时景况与意图向量的逐元素乘积（一个低价的二阶交叉项），以及上一步的动作镶嵌。阿谁逐元素乘积看起来像是数学上的"小机灵"，但实考评释它颠倒首要。它让相似一个意图向量在不同的物理景况下有不同的解读——就像"向右转移10厘米"这个意图，在活泼地和墙角独揽对应的具体动作是不一样的，乘积项捕捉到了这种"景况依赖性"。

实验中，盘问团队对这个输入语法作念了系统的消融实验，用七种不同的输入组合（从A到G）对比恶果。终结裸露，好意思满的四槽位输入（景况、位移向量、两者的乘积、历史动作）在PushT任务上达到85.78%的顺利顺利率，而短少居中化的位移项或短少乘积项的变体分别只可达到80.56%或83.22%。这组数据明晰地说明了每个输入槽位的孝敬，也评释了这种输入语法设计不是冒失的，而是有表面依据的用心设计。

---

**四、"条款动作商"：不同宗旨为什么会导致交流的第一步动作**

INTACT的表面基础中有一个不太直不雅但颠倒精妙的办法，叫作念"条款动作商"（conditional action quotient）。用一个路口的例子来说明：

你站在一个十字街头，不管你的最终目的地是东边的超市如故东边的病院，你的第一步动作都是"向东走"。这两个不同的宗旨，在现时位置上，诱发了统统交流的即时动作。从"动作"的角度看，这两个宗旨是等价的——它们属于并吞个"动作等价类"。

但要是你要去的是西边的藏书楼，那第一步动作就统统不同了，它和前两个宗旨不在并吞个等价类里。

INTACT的表面框架把这种"在现时景况下诱发交流大家动作散播的统共宗旨景况"归为一类，称之为一个"条款动作商"的等价类。学习的宗旨不是让机器东说念主记取每一个具体宗旨对应的具体动作，而是让机器东说念主识别这些等价类的结构，并学会在每个等价类上产生正确的动作散播。

这个框架回答了一个难办的问题：当教训数据里的"物理意图"（真实的下一步变化）和"部署意图"（迢遥宗旨的标的）在数值上进出甚远时，为什么用并吞个网络来处理是合理的？谜底是：只须它们属于并吞个动作等价类（即在现时景况下，大家会用相似的动作来反映这两个不同的申请），那么在动作层面上它们等于"交流的"，调和用一个网络处理不仅合理，而且恰是咱们想要的。

盘问团队还用严格的数学命题评释了这套框架的可靠性。命题2指出，要是只用"真什物理调理"来教训一个逆能源学模子（即只须物理意图），那么这个模子在"部署意图"上的行径是统统不细目的——哪怕两个模子在教训数据上阐发统统交流，它们在部署时的行径可能大相径庭。命题3则评释，只须某个意图在教训数据中有正样本出现，用正确的概率亏空函数教训，就能从数据中回复出正确的"意图→动作"映射。这两条命题共同说明：必须用部署意图（宗旨景况意图）来教训，而且必须在教训数据复古的范围内教训。

---

**五、Direct模式：0次搜索，顺利输出谜底**

INTACT最令东说念主印象深入的所在在于它的推理方式。一朝教训完成，死心机器东说念主不再需要任何搜索。具体经由是这么的：

机器东说念主对现时场景拍一张相片，编码成潜在向量；对宗旨场景也拍一张相片，相似编码成潜在向量；两者相减获取"现时宗旨意图"；把这个意图向量、现时景况、上一步动作一说念喂给INTACT展望器；展望器顺利输出一个高斯散播，取其均值四肢动作序列；机器东说念主膨胀第一个动作块（5个环境步），然后再行拍照，起头下一轮。

统共这个词过程中，莫得任何候选序列的生成，莫得任何对天下模子的反复查询，莫得任何迭代搜索。INTACT展望器只被调用一次（每个贪图步），Forward展望器也只被调用H次用于张开畴昔几步的潜在轨迹。这等于盘问团队称之为"Direct"模式的死心方式。

实测中，Direct模式的贪图蔓延在2.9到5.5毫秒之间（PushT任求实测4.8毫秒），而基准系统LeWM的CEM 300×30（即每次迭代300个候选序列、迭代30次）平均需要1.48秒。两者进出约300倍。

性能上，Direct模式在四个官方任务上的顺利率分别达到了85.78%（PushT推T形积木）、100.00%（Cube搬立方体）、97.67%（Reacher机械臂）和97.89%（TwoRoom双房间导航）。四个任务的宏不雅平均顺利率（macro SR）为95.33%，而LeWM用CEM 300×30的对应收成是85.75%。换句话说，INTACT用1/300的推理时刻，换来了更高的顺利率，而且这如故在只教训了一个好意思满数据集遍历（1 epoch）的情况下，而LeWM频频需要10个epoch。

---

**六、可选的"腹地核查"：搜索形成了安全阀而非必需品**

盘问团队并莫得统统烧毁搜索，而是把搜索的扮装从"强制入场"降格为"可选安全网"。他们设计了一个叫作念"Guarded A"的考证模式：

在Direct模式产生了一个细目性动作设计后，Guarded A以这个设计为中心，在半径极小的范围内（运转尺度差σ?=0.25，而LeWM的CEM运转尺度差σ?=1.0）生成128个候选序列，迭代3次，保留最佳的终结（同期也保留原始Direct设计四肢参照，取两者中更好的阿谁）。统共这个词过程只需要384条候选序列，而LeWM的CEM 300×30需要9000条。

这种"小范围核查"而非"大范围搜索"的方式，使得Guarded A的宏不雅顺利率达到96.86%，比Direct的95.33%提高了1.53个百分点，比LeWM的CEM 300×30（85.75%）提高了11.11个百分点，同期候选序列数目只须后者的4.27%。

一个反直观的发现是：要是用CEM但不以INTACT的设计为运转中心，而是从当场运滚动起头大范围搜索（即"actor-on CEM 300×30"），顺利率反而从Direct的95.33%降到了93.78%。大范围搜索非但莫得改善INTACT的阐发，还零乱了它如故学好的意图-动作对应联系。这说明搜索只在"腹地核查"的语义下才是成心的——用来阐发一个好设计是否的确好，而不是再行寻找一个新设计。

盘问团队为576个不同的贪图器成就作念了好意思满测试（销毁不同的候选数目、迭代次数、运转尺度差等），发现σ?=0.25的无保护版块（不保留Direct参照）顺利率为96.78%，只比Guarded A低0.08个百分点，说明即使是最简便的"以Direct设计为中心、小范围扰动"的搜索方式，亦然一个颠倒强的默许战略。

---

**七、分享编码器：一个脑子管事四个任务**

INTACT的另一项首要探索是"多任务学习"：用一个分享的视觉编码器，同期管事四个视觉上迥然相异的任务（推T形积木、搬立方体、机械臂死心、双房间导航）。每个任务分享编码器和投影层，但有各自寥寂的前向展望器、动作镶嵌层和INTACT展望器头。

这种分享设计的真理真理在于：教训时，四个任务的数据同期更新并吞个编码器，使编码器在索取"对动作有用的视觉特征"时获取更丰富的监督信号；同期，分享编码器也对盘问者提倡了挑战——不同任务的视觉特征互异重大，怎样让编码器在一个调和的潜在空间里同期管事四个任务，而不发生污辱或崩塌，是一个非无为的工程和算法问题。

实验终结裸露，教训5个epoch后，Goal-displacement INTACT（使用宗旨位移四肢意图坐标的版块）的分享编码器在四个任务上的Direct顺利顺利率分别达到了80.22%、99.56%、95.67%和82.11%，宏不雅均值89.39%。这比使用寥寂编码器的LeWM CEM 300×30（宏不雅均值66.17%）进步23个百分点，以致高出了LeWM用各自寥寂教训的任务特定模子的发布收成（宏不雅均值85.75%）。

盘问团队还作念了一个"屏蔽INTACT展望器"的对照实验：把INTACT展望器统统关掉，只用学到的分享编码器加上原始的CEM 300×30搜索，顺利率从LeWM的66.17%进步到了70.08%。这说明即使不使用INTACT学到的意图-动作接口，光是集聚教训带来的更好编码器质地，就如故让纯搜索的性能有所进步。

---

**八、宗旨位移 vs 等程度路点：哪种意图坐标更好**

INTACT的教训中存在两种不同的"部署意图"暗示方式，盘问团队对两者作念了系统比拟。

第一种叫"路点意图"（waypoint intent）：假定从现时位置到宗旨位置应该均匀地分H步走完，是以在第k步时，意图向量是"剩余距离除以剩余地数"，强制每步走同等的程度。这种方式的克己是在教训早期握住更快——因为每步的宗旨量值被归一化了，教训信号比拟雄厚。

第二种叫"宗旨位移意图"（goal displacement intent）：意图向量等于宗旨景况减去现时景况，保留了好意思满的标的和距离信息，让非线性的INTACT展望器我方决定"目下该走多大一步"。这种方式在教训初期握住慢一些，但最终的恶果更好——非常是在需要景况依赖性程度死心的任务上（如构兵明锐的PushT和陆续死心的Reacher）。

在单任求实验中，从路点意图切换到宗旨位移意图，Direct顺利率在四个任务上的变化分别是+8.11%（PushT）、+0.11%（Cube）、+9.56%（Reacher）、-0.11%（TwoRoom）。Cube和TwoRoom如故接近饱和，是以互异不大；PushT和Reacher的进步则相当显耀，说明宗旨位移意图更擅所长理复杂的非线性引导贪图。

在多任求实验中，一个道理的"坐标偏好翻转"气象出现了：在教训第1个epoch终端时（E1），路点INTACT（42.69%）的宏不雅顺利率高于宗旨位移INTACT（36.83%）；但教训到第5个epoch终端时（E5），终结统统回转——宗旨位移INTACT（89.39%）远高于路点INTACT（76.42%）。这说明路点意图在优化初期更容易握住，但最终的抒发才调不如宗旨位移意图。盘问团队建议把E1的终结意会为"优化速率"的测量，而E5的终结才是"最终质地"的测量。

---

**九、暗示质地的测量：怎样知说念机器东说念主脑子里的舆图好不好**

一个编码器学得好不好，不成只是看死心顺利率——因为顺利率是编码器质地、意图接口质地、搜索战略等多种身分的综合终结。盘问团队设计了一套机制分析用具，试图把这些身分拆解开来单独测量。

其中最首要的两个设计是"展望-大家动作族群kNN重复"和"展望-大家动作族群线性CKA"。kNN重复揣度的是：对于并吞个意图，INTACT展望器生成的动作散播和大家示范的动作散播，在局部邻域内的重合程度有多高；线性CKA揣度的是全局层面上两个散播的几何对皆程度。这两个设计都不是在问"能否精准复现每一个大家动作"，而是在问"能否保留动作族群的全体结构"。

盘问团队在45个教训checkpoint（销毁E1到E5，两种意图坐标，三个教训种子）上研究了这些设计，并与官方评估顺利率作念了连系性分析。终结裸露：kNN重复与顺利率的皮尔逊连系统共为0.954，CKA为0.897，而传统的逐点动作R?（即"展望的单个动作与大家动作的吻合程度"）只须0.815。在死心了教训epoch和checkpoint批次的影响后，kNN的连系统共仍然保捏在0.902。

这个发现说明：保留动作族群的散播结构，比精准复现每一个动作更首要。一个能告诉你"在这种情况下，推力应该在2-5牛顿之间"的系统，比一个老是告诉你"推力是3.2牛顿"但有时严重偏差的系统更有用。族群层面的保留才调才是展望死心顺利率的更好设计。

还有一个反直观的发现值得单独强调：潜在空间的"灵验秩"（即编码器试验使用了些许个寥寂维度）与顺利率之间的联系并不是"越高越好"。在E5的多任求实验中，路点意图-only（仅使用部署意图而无物理锚点）的灵验秩为93.87，高于Goal-displacement INTACT的89.26；但前者的顺利率只须74.22%，低于后者的89.39%。更高的秩意味着编码器在更多维度上有活跃变化，但这些变化不一建都对"动作可永别性"有孝敬——有些可能只是等价变化的冗余抒发，以致是噪声。

---

**十、"配对标定"实验：评释顺利来自对应联系，而非恰好**

为了严格评释INTACT的顺利不是来自某种偶而的特征模式，盘问团队设计了一个"程序变换侵犯"实验（gauge intervention）。

具体作念法是：在测试时，不顺利使用INTACT学到的潜在坐标，而是先用一小批"配对的标定帧"（只须图像，莫得动作或奖励）拟合一个线性变换，把INTACT的编码器输出空间映射到另一个编码器的空间（或映射到打乱配对后的空间），然后用这个变换后的特征去死心机器东说念主。

"正确配对"的终结：从9.46%（打乱配对后的当场基线）进步到了68.04%的CLEAR Moderate顺利率，进步了58.58个百分点，24个左券单位全部正向改善。

"同宗旨函数跨种子互换"（即用相似教训方式但不同当场种子的两个INTACT模子互换编码器）：只需64个标定帧就能回复接近原始性能，说明并吞教训宗旨放学到的暗示具有相当高的一致性，通过简便线性变换就能对皆。

"LeWM编码器→Full INTACT动作头"标的：不错通过标定进步性能，说明LeWM的编码器里确乎有满盈的信息，只是莫得被很好地组织成可顺利被意图-动作接口读出的阵势。

"Full INTACT编码器→LeWM CEM动作头"标的：顺利率仅为5.08%。这是最关键的反向死心：哪怕INTACT学到了更好的编码器，要是接口是一个不懂意图-动作语义的LeWM CEM，这个更好的编码器也没法阐发作用。标定变换不错对皆坐标，但无法创造一个本来不存在的部署接口。

---

**十一、全面的基准对比：与其他递次的横向比拟**

盘问团队在论文中提供了一份瞩目的横向比拟表，对比了INTACT与同期多种连系递次的性能和设计选择。

DINO-WM（斯坦福/纽约大学）使用冻结的DINOv2视觉编码器加CEM搜索，在四个任务上的宏不雅顺利率为84.75%，需要9000条候选序列，编码器不随任务教训更新。C-JEPA（Facebook AI）在PushT任务上阐述了88.67%的收成，相似依赖9000条候选序列。Fast-LeWM（来自近期的寥寂职责）通过并行展望多个动作前缀来加快CEM搜索，在四个任务上达到90.50%，但仍需要9000条候选序列。Qantara使用桥接流（bridge flow）教训多种死心范式，宏不雅顺利率91.18%。GC-IDM（Latent Geometry Beyond Search）在LeWM的冻结编码器基础上教训一个带有视线条款的宗旨条款动作网络，收场了顺利死心，宏不雅96.00%，但使用了50个额外epoch教训动作头，而且不更新编码器。PRISM通过冻结的LeWM编码器教训一个高斯轨迹先验，与MPPI搜索伙同，需要3840条候选序列。

INTACT在这份比拟中的独有之处是：它是独逐一个同期知足"动作监督更新编码器"、"单一编码器跨全部四个任务"、"有原生的顺利死心模式（0条候选序列）"这三个条款的递次。其他递次要么不更新编码器，要么只针对单任务教训，要么仍然依赖搜索才调完成死心。

盘问团队还非常提供了一个"同等条款下的E1匹配"行：在只教训了1个epoch的LeWM编码器（冻结）基础上，分别用GC-IDM和PRISM各自的递次教训动作头（相似只教训1个epoch的头部），望望交流算力下能达到什么恶果。GC-IDM的E1匹配宏不雅顺利率为65.58%（顺利死心），PRISM为65.00%（128×30=3840条候选序列的MPPI）。而端到端教训1个epoch的INTACT Direct达到了95.33%。这不是一个公道的比拟——因为INTACT同期更新了编码器，而GC-IDM/PRISM的编码器是冻结的——但它说明了"让动作宗旨函数参与编码器教训"能带来多大的增益。

---

**十二、局限性与敦厚的鸿沟声明**

盘问团队在论文中坦诚地指出了INTACT现时的多项局限性，这种敦厚魄力使盘问的简直度更高。

对于教训限制，三个教训种子只可提供对教训变异性的粗陋臆测，不及以复古对于限制化行径的强力声明。对于膨胀范围，统共实验都在仿真环境中进行，使用的是固定图像宗旨、任务特定的动作头和离线大家轨迹，莫得在真实机器东说念主、散播外宗旨、干扰物或跨具体态态场景中考证。

对于动作散播的单峰假定，INTACT的部署战略是高斯散播的均值，在动作空间存在多峰的情况下（比如在支路口，有两种相似好的选择），这个均值可能落在两个模式之间的"空缺地带"，产生一个两种模式都不是的灾祸动作。盘问团队指出混杂散播、不细目性触发的核查等扩展是天然的畴昔职责标的。

对于动作商的识别范围，Proposition 3保证的回复才调只在教训数据有正样本销毁的意图条款下竖立。对于数据中从未出现过的顶点意图（比如要机器东说念主作念一个统统超出示范范围的动作），INTACT的展望是未界说的。在有退却物、构兵切换或多模态示范的场景中，宗旨位移四肢意图坐标只是一个近似，不保证在教训复古鸿沟外的正确性。

对于评估左券，盘问团队同期阐述了官方LeWM基准收成和他们我方设备的CLEAR-LeWM v0.5.1修正基准收成，两者不混用。CLEAR-LeWM修正了原始评估中的几个期间问题（如运转已处分配对未被抹杀、Reacher坐标周期性处理失当、TwoRoom穿墙检测缺失等），导致Reacher的顺利率从97.67%（官方）降到了49.56%（CLEAR Moderate），直不雅地说明了评估左券的首要性。

---

**结语：一张让机器东说念主"看懂意图"的舆图**

说到底，INTACT作念的事情不错用一句话笼统：它把机器东说念主"学天下"和"学行动"这两件原天职离的事情，通过一个小巧的教训宗旨和架构设计，简直宗一了起来。

已往，机器东说念主的天下模子像一册只可查阅、不成操作的百科全书——你不错问它"膨胀动作A会发生什么"，但它不知说念"想要某件事发生，该膨胀哪个动作"。INTACT在教训这本百科全书的同期，顺带也教它学会了反向索引——而这个反向索引的质地，恰是通过把真什物理调理和颓败宗旨景况调和抒发为"位移向量"、让并吞个条款动作算子管事两种不同来源的意图申请来保证的。

这项盘问简直令东说念主感兴味的所在好像不在于那些具体数字，而在于它揭示了一种新的念念路：学习一个雅致的"意图-动作族群对应联系"，比精准复现每个大家动作或强行让潜在空间变得更高秩，都更能展望最终的死心肠能。这是一个朴素但首要的工程教会，畴昔当盘问者设计更复杂的机器东说念主死心系统时，这个原则可能会一再被考证和征引。

有兴味进一步探索的读者，不错通过arXiv编号2607.26056检索好意思满论文，盘问团队提供了瞩目的附录，包含统共实验的好意思满终结表格、算法伪代码和评估左券细节。

---

**Q&A**

Q1：INTACT和平常天下模子有什么试验区别？

A：平常天下模子（如LeWM）只学了"动作导致什么景况变化"，死心时必须靠宽绰当场搜索来反鼓舞作。INTACT在教训时同步学习了"给定意图应该膨胀什么动作"，部署时顺利输转移作，不需要搜索，推理速率约快300倍，顺利率反而更高。

Q2：INTACT需要奖励信号或特殊标注数据吗？

A：不需要。INTACT只需要平常的"动作标注目频轨迹"，等于机器东说念主操作过程的摄像加上每帧对应的动作纪录，不需要任何奖励函数、任务标注或额外的语义标签。多任务教训时仅需要知说念现时帧属于哪个任务域即可。

Q3：INTACT的顺利死心在多峰场景下会不会失效？

A：可能会。迎濒临"两条路都一样好"的支路口情况时开云(中国)Kaiyun·官方网站 - 登录入口，INTACT的高斯散播均值可能落在两个合理模式之间，产生一个折中的灾祸动作。论文团队承认这是现时线法的局限，并指出混杂散播战略或不细目性触发核查是天然的扩展标的。