【机器人 / 强化学习】QAM 与 DIVL：评价-执行闭环的完美配合

0x00 概要

LWD 的核心主张是"部署时持续改进"，而这一主张在算法层面能否落地，取决于两个关键能力：有没有一双火眼金睛，能从好坏参半的部署数据中看清真正的价值方向？有没有一身好功夫，能把价值方向转化为丝滑流畅的动作改进？ DIVL 和 QAM 就是为这两个问题而生的。

如果用更形象的方式来理解，DIVL 是"大脑"，QAM 是"肌肉"。

DIVL 负责"评价"环节：它的核心任务是更新 Q_φ 和 V_ψ 参数，产出越来越准确的"裁判"。DIVL 在教机器人怎么"看账本、识潜力"——让它变成一个非常有眼光、但不冒险的投资者。这个"裁判"能够从异质数据中识别出哪些动作有潜力，哪些是死路。

QAM 负责"执行"环节：它的核心任务是更新 π_θ（即论文中的 Policy），产出越来越厉害的"运动员"。QAM 在教机器人怎么"顺着潜力、滑出优美曲线"——让它变成一个不仅聪明，而且身体动作极其协调的运动员。这个"运动员"能够根据裁判的指导，生成流畅且持续改进的动作序列。

0x01 为什么需要两个算法？

1.1 先想清楚要解决什么问题

我们已经在系统架构层面理解了 LWD：它是一个 Actor-Learner 异步架构 + SOP 类分布式底座 + HIL 人类干预反馈。但如果我们把系统层和算法层混在一起谈，很容易陷入"系统很大、什么都能做"的模糊认知。

所以我们需要把问题聚焦到算法层面：给定一个混合了成功、失败、人类干预、部分恢复轨迹的海量 replay buffer，我们如何让 VLA 策略持续变强？

要回答这个问题，必须拆解出两个子问题：

• 子问题一：如何从异质数据中给出稳健的价值评价？ 传统 RL 的方法在这类数据上往往会出问题——离线数据被 OOD 动作过估计搞崩，online 数据又因为 reward 稀疏而无法高效传播。我们需要一个能从"好坏参半"的数据中提取出可靠信号的评价系统。
• 子问题二：如何把评价信号稳定地注入生成式策略？ 即使我们有了完美的价值函数，我们的策略也不是一个简单的 MLP——它是一个基于 Flow Matching 的生成式 VLA 模型。直接通过整个生成链路做反向传播（BPTT）会导致梯度爆炸/消失，显存更是天文数字。

DIVL 和 QAM 分别解决上述两个问题，而且它们的结合不是简单的"先 A 后 B"的流水线，而是价值-策略的闭环耦合。

1.2 闭环总览

这个闭环的每一个环节都有其不可替代性：

• 没有 DIVL，Q 梯度会乱跳。 价值估计不准，策略改进就没有可靠的方向。整个系统就像没有导航的运动员，不知道往哪里优化。
• 没有 QAM，V 的分布无法转化为流畅的动作。 再好的价值判断，如果不能稳定注入到生成式策略里，就像教练有眼光却无法纠正运动员的动作。
• 统一目标消除阶段鸿沟。 两者在离线和在线阶段使用完全相同的损失函数，只是数据来源不同。这避免了离线 Critic 过于保守、在线微调时价值尺度不匹配的致命问题。

1.3 三阶段逻辑链条

整个 LWD 算法（论文 Algorithm 2）的逻辑可以拆解为三个递进阶段：

第一阶段：预训练（BC）

你手里有一堆离线数据 $(s,a)$。你训练一个 Flow 模型，损失函数只有最基础的 $\Vert v_{\theta }-(x_1-x_0){\Vert }^2$。训练完后得到 $f_{\beta }$——它只会"模仿"数据，完全不懂什么是奖励（Reward）。

第二阶段：值函数学习（DIVL）

DIVL 登场了。它的任务是学习 Critic（Q 和 V）。它改进了 IQL 的方式，用分布式的视角去评估每个动作的好坏。DIVL 产出的不是单个分数，而是一个价值分布——这保证了在面对混合质量数据时，价值估计不会被低质量轨迹拖垮。

第三阶段：策略提取（QAM）

QAM 把前两者的成果合二为一。它拿来 $f_{\beta }$（只会模仿的躯壳）和 $Q_{\phi }$（懂好坏的大脑）。利用 Adjoint Matching，让最终的策略 $f_{\theta }$ 在模仿 $f_{\beta }$ 的基础上，往 $Q_{\phi }$ 认为更好的方向偏转。

0x02 LWD 论文算法

2.1 算法图例

论文给出的 DIVL 和 QAM 配合的算法图例如下：

2.2 算法公式

DIVL 对应的算法公式如下：

QAM 对应的算法公式如下

2.3 逐行解释

以下是对这个算法的逐行深度技术解释：

---

行号	技术行	深度拆解	通俗理解
	准备阶段	接收 mini-batch $(s,a,r,s^{\prime })$、Critic 网络、分布式价值网络、当前策略及冻结参考策略	从录像厅里抓一把带标签的录像
	DIVL 阶段
1	V-Loss	通过最小化交叉熵损失，拟合当前状态的价值概率分布	看看最严厉的裁判给的最高分是多少
2	Q-Target	利用目标 V 函数计算分布式的 TD 目标（提取特定分位数 + 自适应调节）	识破潜力：既然有人在这里拿过高分，那这路口的潜力就是满分
3	Q-Loss	使用 MSE 让 Critic 向 $y_Q$ 逼近	算胜率：别只给平均分，把每一种赢法都算清楚
4	Update	动量软更新目标 Critic，维持训练平滑	修正偏见：让裁判算准这一招到底有几成胜算
	QAM 阶段
5-6	Time/Noise/Trajectory	在流匹配时间轴 $w$ 上采样，跑出基准轨迹	模拟滑行：在动作进行到一半时看看你会滑到哪里
7	Endpoint	确定动作轨迹终点 $a_t^1=a_t$	确定最终的目标
8	Gradient/Adjoint/Loss	在终点计算 Critic 梯度 → 设为伴随状态 → 沿流路径反推 → 生成局部回归目标	感知引力→神经传导→听话又上进→对齐训练
9	Return	返回所有新参数	升级包做好了

我们接下来具体看看这两个算法，然后再看看如何配合。

0x02 DIVL：分布式价值评价系统

DIVL 解决的核心问题是：在不尝试危险动作的前提下（即纯 off-policy），从好坏参杂的数据中提炼出一张"价值地图"。

2.1 三重角色定位

在 LWD 架构中，DIVL 承担着三重角色，每一层都有其特定的职责。

第一，作为 Critic Head（$Q_{\phi }$）。 核心任务是评估动作的 Q 值，为 QAM 的 Adjoint Matching 提供稳定的梯度信号。没有这个稳定的评估，QAM 就不知道该往哪个方向优化。

第二，与 QAM 的紧密耦合。 这种耦合是双向的：QAM 利用 DIVL 的价值分布进行导航，而 DIVL 的训练也依赖于 QAM 的 Q 网络状态。两者形成了"评价-执行"的完整闭环——DIVL 画地形图，QAM 在上面跑。

第三，作为参考策略的锚点。 DIVL 的 Value Head 在训练后会被冻结，作为 Reference Policy（${\pi }_{\beta }$），给策略网络提供稳定的行为基准。即使 QAM 学习得比较激进，这个基准也能确保策略不会完全偏离安全范围。这就像给越野车设定了一个"围栏"，防止它跑出安全区。

2.2 输出结构：内部产物 vs 对外成品

内部产物（用于训练）：DIVL 输出一个概率分布（101 个格子的概率）。这个分布最大的贡献是计算出带"乐观滤镜"的 Q 目标值，让 Q 网络学得极其稳健。这是 DIVL 内部训练机制的核心，用来对抗 OOD 过估计和稀疏奖励。

对外成品（最终形态）：

• 它产出一个经过充分锻炼、能够准确判断好坏的 Critic 网络 $Q_{\phi }(s,a)$
• 它给 QAM 提供的是两个关键要素：$Q_{\phi }(s,a)$ 函数本身，以及由它在特定动作点产生的梯度 ${\nabla }_{a}Q$

DIVL 负责画出一张完整的"地形图"（Q 值的高低起伏），而 QAM 是在这个地形图上跑的"越野车"。越野车不需要知道整个地形图的全貌，它只需要知道脚下这块地是往哪边倾斜的（梯度），就能找到最高峰。

这种分工的精妙之处在于：DIVL 专注于"看得准"，保留完整的分布信息；QAM 专注于"跑得稳"，只需要局部的梯度指导。两者的输出互补，避免了 QAM 过度依赖 DIVL 的内部细节，又能让 QAM 得到足够精确的导航信号。

2.3 分布式价值学习机制

为什么需要分布而不是标量？

传统价值函数追求"分数最高"，DIVL 追求的是"分布最合理"。这个转变背后的逻辑很简单：在 fleet 部署数据中，同一个状态下往往有多种不同的动作结果。如果只取平均值，会丢失罕见但可复现的高回报模态。

想象一个场景：在某个状态下，数据集中不同动作的表现差异很大：

• 动作 A：Q = 50，成功率 80%
• 动作 B：Q = 40，成功率 60%
• 动作 C：Q = 10，成功率 30%

传统方法只学习"选动作 A"，丢失了信息。DIVL 让 $V_{\psi }(s)$ 学习完整的分布——在状态 $s$ 下，模型倾向于选择动作 A 或 B，但也会保留探索 C 的可能性。

V 与 Q 的分工

在架构图中，V 和 Q 共享一个 VLM 骨干网络，但各自承担不同的角色：

• Q 网络（Critic）：对状态-动作对 $(s_t,{\mathbf{a}}_t)$ 打分，预测其折扣累计回报。核心功能是给 QAM 提供梯度 ${\nabla }_{a}Q$。它是"动作评估员"——负责评价"具体某个动作"的好坏并提供改进方向。
• V 网络（Distributional Value Model）：这是 DIVL 的本体。它不是预测一个标量值，而是建模数据集中 Q 值的分布：$p_{\psi }(v\mid s_t)=P(v=Q_{\varphi }(s_t,{\mathbf{a}}_t)\mid {\mathbf{a}}_t\sim \mathcal{D}(\cdot \mid s_t))$。即给定状态 $s_t$，V 学习的是"数据集中所有动作对应的 Q 值会呈现怎样的分布形态"。核心功能是提取"高光"基准（Expectile Regression），它是计算"优势值"的底数，是"全局裁判"。

自适应 $\tau$：训练时根据 $V(s^{\prime })$ 分布的熵动态调整 $\tau$——如果 $V(s^{\prime })$ 分布弥散（高熵），说明当前状态不确定，$\tau$ 自动降低以保守；分布集中（低熵）则 $\tau$ 升高以乐观。

另外，DIVL 还要接 QAM，我们也接着看。

动作优化（QAM）：Actor（VLA 大模型）并不直接感知 V，而是利用 Q 在生成动作终点处的梯度 ${\nabla }_{\mathbf{a}}{Q}_{\varphi }(s,\mathbf{a})$，通过**伴随匹配（Adjoint Matching）**将其转化为沿着参考流各时间步的局部回归目标，从而稳定地优化动作生成过程——避免了直接经整个去噪过程反向传播带来的不稳定和高昂计算代价。

训练过程

DIVL 的训练是一个统计学习过程：从数据集中收集 $(s,a)$，通过神经网络学习这些数据之间的关系，让网络学会"在什么状态下，什么样的分布形状代表高成功率"。

深入看 DIVL 的训练过程，实际有四个角色在协同互动：V 网络（分布价值模型）、当前 Q 网络（Critic）、目标 Q 网络（$\bar{Q}$，EMA 更新）、以及流策略 ${\pi }_{\theta }$（Actor）。

根据论文 Algorithm 2，每步训练包含两大块（此处把 QAM 也纳入进来）：

块一：分布隐式价值学习（DIVL）（下图红色圈）

具体分为以下几步：

① 更新 V（拟合 Q 值分布）：

• 输入：来自回放的 $(s_t,{\mathbf{a}}_t)$
• 用目标网络 $\bar{Q}$ 评估 $Q_{\bar{\varphi }}(s_t,{\mathbf{a}}_t)$，得到一个标量值
• 损失函数：${\mathcal{L}}_V(\psi )=-\log p_{\psi }(Q_{\bar{\varphi }}(s_t,{\mathbf{a}}_t)\mid s_t)$，这是一个交叉熵损失
• V 的目标是让自己在状态 $s_t$ 处输出的分布，最大似然地匹配"目标 Critic 对这个动作给出的分数"。V 不是在蒸馏一个数值，而是在学习**“在当前数据集里，这些动作对应的 Q 值是如何分布的”**

② 计算自适应 $\tau$（不确定性感知）：

• 输入：下一状态 $s_{t+H}$ 处的 $V$ 分布
• 计算分布的归一化熵 $\mathcal{H}(s_{t+H})$
• 自适应公式：$\tau (s_{t+H})=\text{clip}({\tau }_{\text{base}}-\alpha \mathcal{H}(s_{t+H}),{\tau }_{\min },{\tau }_{\max })$
• 结果：分布越弥散（高熵），$\tau$ 越低——保守；分布越集中，$\tau$ 越高——乐观

③ 计算 TD 目标 $y_Q$（看向未来）：

• 输入：$V(s_{t+H})$ 分布和自适应 $\tau$、当前步奖励 ${\mathbf{r}}_t$
• 计算：$y_Q={\mathbf{r}}_t+{\gamma }^H\cdot {\text{Quant}}_{\tau }(V_{\psi }(s_{t+H}))$
• 从 $V$ 分布中取出 $\tau$-分位数，作为未来价值的估计。因为 V 的分布是从数据集学到的，这个目标天然不会走出分布——$\tau$ 分位数保证了乐观程度受控
• 离线阶段使用 $n$-步 目标来加速稀疏奖励传播：$y_Q={\sum }_{i=0}^{n-1}{\gamma }^{iH}{\mathbf{r}}_{t+iH}+{\gamma }^{nH}{\text{Quant}}_{\tau }(V_{\psi }(s_{t+nH}))$（$n=10$ 用于长程任务）

④ 更新 Q（收敛到 TD 目标）：

• 损失函数：${\mathcal{L}}_Q(\varphi )=(Q_{\varphi }(s_t,{\mathbf{a}}_t)-y_Q{)}^2$，这是一个 MSE 回归任务
• 让 $Q$ 的预测不断逼近上述 TD 目标
• 随后通过 EMA 更新目标网络：$\bar{\varphi }\leftarrow \rho \bar{\varphi }+(1-\rho )\varphi$

块二：基于 QAM 的策略提取

⑤ 更新 Actor（QAM 策略提取）：

• 采样高斯噪声 ${\mathbf{a}}_t^0$，通过参考流 ${\pi }_{\beta }$ 滚动生成完整轨迹 { a t w } w ∈ [ 0 , 1 ] \{\mathbf{a}_t^w\}_{w\in[0,1]} {atw​}w∈[0,1]​
• 取轨迹终点 ${\mathbf{a}}_t^1$，计算 Critic 梯度 $-{\nabla }_{\mathbf{a}}[Q_{\varphi }(s,{\mathbf{a}}_t^1)/\lambda ]$ 作为伴随状态 $g_1$ 的终值条件
• 沿参考流求解伴随动力学，得到各中间步的局部回归目标
• 让 ${\pi }_{\theta }$ 的向量场去拟合这些目标：${\mathcal{L}}_{\text{QAM}}(\theta )=\mathbb{E}\left[{\int }_0^1{\Vert \frac{2f_{\delta }}{{\sigma }_w}+{\sigma }_w{g}_w\Vert }_2^{2}dw\right]$

整个流程的精髓：DIVL 用分布式的 V 替代了标量 V，保留了数据中的多模态回报信息；QAM 用伴随匹配替代了直接反向传播，让 Critic 的梯度能稳定地优化流式生成策略。二者结合，使得 LWD 可以在异质的 fleet 数据中进行稳定的离线到在线强化学习。

0x03 QAM：伴随匹配策略执行系统

如果说 DIVL 解决的是"怎么看"的问题，QAM 解决的就是"怎么改"的问题——它把 DIVL 训练好的 Critic 梯度，转化为 flow-based VLA 策略可以稳定吸收的局部回归目标。

3.1 核心突破

Adjoint Matching：控制理论与大模型的跨界碰撞

QAM 的核心突破在于引入了经典控制理论中的伴随灵敏度方法（Adjoint Sensitivity Method）。

传统的生成式模型（如 Diffusion 或 Flow Matching）在生成动作时涉及多步迭代推理。如果要用强化学习去优化它，就需要通过整个迭代链条进行反向传播（BPTT），这在数学上会导致严重的梯度消失或爆炸，显存开销更是天文数字。

伴随法的精妙之处在于：QAM 不需要展开整个生成链条。它利用伴随方程，直接在常微分方程（ODE）的层面计算出——“如果我希望最后生成的动作 $a$ 的 Q 值更高，现在的向量场 $v$ 应该往哪个方向偏移？”——这将极其复杂的全局求导简化为了局部的数学映射。

梯度引力场

QAM 将强化学习的优化过程具象化为一种物理上的"引力"。

在 Flow Matching 架构下，机器人动作是从噪声开始演化的。QAM 并不强迫机器人跳过演化过程，而是向这个演化过程注入了来自 DIVL 的 Q 函数梯度（${\nabla }_{a}Q$）。这个梯度就像一股无形的引力场，时刻拉动着动作流向更高分（Q 值更高）的区域偏移。

结果是：机器人输出的动作不再是机械地模仿人类录像，而是"顺着引力走"。即使在完全陌生的环境下，只要 Q 函数识别出了正确的方向，QAM 就能引导机器人划出一条丝滑的、通往成功的运动轨迹。

数值稳定性

在 5B 甚至 10B 规模的 VLA 模型上跑强化学习，稳定性高于一切。

QAM 的损失函数设计非常精妙，它是**时间局部性（Time-locality）**的——你可以在动作生成的任何一个时间采样进行训练，而不需要跑完整生成过程。它将不稳定的 RL 策略梯度问题，转化为了一个极度稳定的向量回归问题。这使得大模型能够像处理文本生成一样，高效、稳定地吸收学习的反馈，而不会出现权重崩溃。

动作连贯性

长程任务（3-5 分钟）最怕的是误差随时间累积。由于 QAM 在每一帧推理时都在接收 Q 函数梯度的微调，它具备了天然的自恢复（Self-recovery）能力。

例如：在搬运重物的 2 分钟过程中，如果手滑了一下，Q 函数会立刻感知到价值下降，QAM 随即产生一个反向的"拉力"，引导手爪重新抓紧。因为动作是沿着连续的向量场"流"出来的，QAM 生成的动作流在时间维度上具有极高的二阶平滑度。这保证了机器人在长达数分钟的高强度工作中，电机始终处于平顺状态，不会产生任何突兀的抖动。

3.2 与通用 QAM 的对比

LWD 论文中的 QAM 实现与通用 QAM 有显著区别：

维度	通用 QAM	LWD 论文中的 QAM
基础逻辑	简单的速度向量加法	加权的评分匹配（Score Matching）
目标速度	$v_{\text{base}}+\eta \cdot {\nabla }_{a}Q$	涉及 $(2f_{\delta })/({\sigma }_w)$ 和 ${\sigma }_w\cdot {\tilde{g}}_w$ 的加权合成
噪声权重	常数或忽略	${\sigma }_w=\sqrt{2(1-w)w}$（Eq. 9）
参考策略	仅是 $x_1-x_0$（直接指向终点）	明确使用参考策略 $f_{\beta }$ 的残差学习
温度参数	常数 $\eta$	明确为 $1/\lambda$ 且 $\lambda =2$
时间权重	无（所有时间 $w$ 地位平等）	${\sigma }_w$ 动态权重（不同时间权重不同）

核心差异在于伴随状态 ${\tilde{g}}_w$ 和噪声系数 ${\sigma }_w$ 的设计。

3.3 公式深度拆解

Eq. (9)：核心损失函数

QAM 的核心损失函数定义如下：

$${\mathcal{L}}_{\text{QAM}}(\theta )=\mathbb{E}\left[{\int }_0^1{\Vert \frac{2f_{\delta }(s,a^w,w)}{{\sigma }_w}+{\sigma }_w{\tilde{g}}_w\Vert }^{2}dw\right]$$

其中：

• $f_{\delta }=f_{\theta }-f_{\beta }$：当前速度与参考速度之差
• ${\sigma }_w=\sqrt{2(1-w)w}$：噪声权重项
• ${\tilde{g}}_w$：沿流路径传播的伴随状态

Eq. (10)：伴随状态终点条件

$${\tilde{g}}_1=-{\nabla }_a\left[\frac{Q_{\phi }(s,a^1)}{\lambda }\right]$$

其中 $\lambda =2$ 是温度参数。注意符号是负号，但它在 Loss 里面会被抵消。

逐行拆解

步骤	操作	技术含义
Step 6	Roll out reference trajectory	通过 ${\pi }_{\beta }$ 生成参考轨迹 { a t w } w ∈ [ 0 , 1 ] \{a_t^w\}_{w\in[0,1]} {atw​}w∈[0,1]​。对于线性路径，它就是 $a_t^w=(1-w)a_t^0+w\cdot a_t^1$
Step 7	Set endpoint $a_t^1=a_t$	明确将数据集中的真实动作 $a_t$ 设为轨迹的终点，这是计算梯度的基准点
Step 8	Compute gradient & Adjoint Map	在终点计算 Critic 梯度，作为伴随状态的终值条件，沿 ODE 路径反推各步目标
Eq. (9)	Policy Loss	让当前策略 $f_{\theta }$ 的向量场去拟合参考速度 + Q 梯度修正后的目标速度

保护机制

在 LWD 中，由于分母有 ${\sigma }_w$，当靠近终点（$w\to 1$）时，${\sigma }_w\to 0$，分母变小要求 $f_{\delta }$ 必须强制趋近于 0。这保证了无论 Q 怎么指引，最终生成的动作绝对不会偏离合法的动作空间太远。

3.3 代码实现

我们来看核心的 QAM 更新逻辑如何用代码实现（非 QAM 作者版本）：

def lwd_qam_update(v_net, v_beta, q_net, s, a_1, lambda_temp=2.0):
    # 1. 采样时间 w 和噪声 a_0
    w = torch.rand(s.shape[0], device=s.device)
    a_0 = torch.randn_like(a_1)

    # 2. 构造参考轨迹 (Step 6)
    w_exp = w.view(-1, 1)
    a_w = (1 - w_exp) * a_0 + w_exp * a_1

    # 3. 计算噪声权重 sigma_w = sqrt(2 * (1-w) * w)
    sigma_w = torch.sqrt(2 * (1 - w_exp) * w_exp + 1e-6)

    # 4. Eq. (10): 计算终点伴随状态 g_1
    a_1.requires_grad_(True)
    q_val = q_net(s, a_1)
    g_1 = -torch.autograd.grad(q_val.sum() / lambda_temp, a_1)[0]

    # 5. 简化: 线性路径下 g_w = g_1
    g_w = g_1

    # 6. 计算速度差 f_delta = f_theta - f_beta
    v_theta = v_net(s, a_w, w)
    v_beta_val = v_beta(s, a_w, w)
    f_delta = v_theta - v_beta_val

    # 7. Eq. (9): 损失函数
    loss = torch.mean(((2 * f_delta / sigma_w) + (sigma_w * g_w))**2)
    return loss

关键设计点：

1. 线性插值构造 $a_w$：通过公式直接算出，不需要跑 ODE 积分
2. 梯度计算：使用 torch.autograd.grad 计算 Q 对动作的导数
3. 伴随状态简化：由于参考路径是线性的，$g_w=g_1$（在非线性流中需要通过伴随 ODE 反推各步 $g_w$）
4. Loss 计算：预测速度与目标速度的 MSE

3.4 Reference Policy 与 BC

${\pi }_{\beta }$ 从何而来？

${\pi }_{\beta }$（及其速度场 $f_{\beta }$）是 LWD 中的参考策略（Reference Policy）。它的职责是告诉模型"数据集里的专家/人类通常是怎么做的"。在代码实现中，它是一个预先训练好的、只做行为克隆（BC）的 Flow Matching 模型。

在 Offline RL 中，如果我们只依赖数据集中的样本，机器人一旦尝试一个数据集中完全没出现过的动作（Out-of-Distribution, OOD），Q 网络就可能给它乱估分。通常由于神经网络的特性，这种乱估分往往是异常高的。如果只听从 Q 的指引，机器人就会疯狂尝试这些危险的 OOD 动作，导致在真实环境中崩溃。这就是为什么我们需要 ${\pi }_{\beta }$（Behavior Prior）来充当"紧箍咒"。

BC 被"内化"到了训练循环中

在 LWD 中，BC 被深度嵌入在训练循环的每一时刻。看 Eq. (9) 中的 $f_{\beta }$ 项：

$${\mathcal{L}}_{\text{QAM}}(\theta )=\mathbb{E}\left[{\Vert \underset{\text{BC 项}}{\underbrace{f_{\theta }-f_{\beta }}}+\dots \Vert }^2\right]$$

• $f_{\beta }$ 就是 BC 的化身，代表一个专门通过行为克隆训练好的、只模仿数据集动作的模型
• 每次执行 QAM Update 时，都会计算当前策略 $f_{\theta }$ 与参考流 $f_{\beta }$ 之间的差距
• 这强制让 ${\pi }_{\theta }$ 不要偏离数据集太远，本质上是在进行在线的 KL 散度正则化

训练时机

离线预训练阶段：先用收集好的历史数据跑普通的 Flow Matching Loss（没有 Q 梯度），产生一个纯粹的 BC 模型 $f_{\beta }$。

持续训练阶段：$f_{\beta }$ 通常被冻结，作为一个"永恒的导师"，提醒正在学习的 $f_{\theta }$——“别忘了我们老祖宗（数据集）是怎么干的”。只有 $f_{\theta }$（当前策略）在利用 Q 梯度和对齐 $f_{\beta }$ 的双重压力下更新。

LWD vs qam.py 在 BC 处理上的异同

维度	qam.py（作者源码）	LWD（论文实现）
BC 的实体	actor_slow	$f_{\beta }$（Reference Flow）
训练时机	同时训练（通过 flow_loss）	通常先预训练，再作为 Frozen Prior 使用
作用方式	作为总速度的一部分（v_s + v_f）	作为 Loss 函数里的减项（$f_{\theta }-f_{\beta }$）

3.5 ${\sigma }_w$ 的深入理解

${\sigma }_w=\sqrt{2(1-w)w}$ 是整个 QAM 的灵魂参数。我们用一条长廊来理解它的物理直觉：

• 在起点（$w\approx 0$）：${\sigma }_w$ 接近 0
• 在终点（$w\approx 1$）：${\sigma }_w$ 也接近 0
• 在中间（$w=0.5$）：${\sigma }_w$ 达到最大值

回到 Loss 公式：$\text{loss}=((2\cdot f_{\delta }/{\sigma }_w)+({\sigma }_w\cdot g_w){)}^2$

当 ${\sigma }_w$ 非常小时，为了不让 Loss 爆炸，$f_{\delta }$ 必须强制趋近于 0。这意味着在起点和终点，模型必须极其精准地"模仿"参考策略。而当 ${\sigma }_w$ 在中间变得很大时，${\sigma }_w\cdot g_w$ 这一项的影响力会变大，说明在导航的中间阶段可以拥有更多的自由度去根据 Q 梯度的指引进行漂移。

总结 ${\sigma }_w$ 的三个作用：

1. 端点锚定：确保轨迹的起点和终点稳定，不会因为 Q 的梯度而产生剧烈震荡
2. 噪声调度：模仿扩散模型中的扩散核（Diffusion Kernel），使 QAM 在数学上等价于在最大化 Q 的同时最小化与参考策略之间的 KL 散度
3. 数值稳定性：平衡"模仿速度"和"优化速度"的量级，防止在不同时刻梯度爆炸

3.6 vs QAM作者实现

在论文中, 我们说有 V, Q, π 三个逻辑实体, 但在QAM作者的代码 qam.py 中, 你看到的是 critic_loss 和 actor_loss。它们的对应关系如下：

1. 核心对应关系

论文实体 (Algorithm 2)	代码函数 (qam.py)	实际意义
DIVL (V 和 Q)	critic_loss	训练裁判系统。它负责把 V 和 Q 练好, 让它们能准确评估好坏。
QAM (π)	actor_loss	训练动作系统。它负责利用裁判给出的梯度, 学会怎么生成动作。

为什么 qam.py 里看起来没写 V？这是一个非常有意思的代码设计差异:

• 在我们的实现中: 我们严格按照 DIVL 论文, 显式定义了 V_ψ (分布) 和 Q_φ (标量)。
• 在QAM 作者的 qam.py 中
  • 作者使用的是一种更通用的写法。他的 critic_loss 实际上是 Critic Ensemble (多头 Q 网络)。
  • 如果你去看他 create 方法里的 Value 类, 虽然名字叫 Value, 但它输入的是 (obs, actions), 所以它其实是在实现 $Q(s,a)$。
  • 关于 V 的隐式处理: 在作者的 critic_loss 里, 他通过采样 next_actions 来计算 next_qs, 这是一种类似 SAC 的显式更新。

0x04 协同机制：价值到行动的闭环

前面两篇文章分别介绍了 DIVL 和 QAM 各自的设计。但 LWD 真正的力量在于它们的配合——这种配合不是简单的"先后顺序"，而是一个"四人舞"式的多角色协同过程。

4.1 四人舞：完整的训练步

深入看一轮完整的训练步，实际有四个角色在协同互动：V 网络（分布价值模型）、当前 Q 网络（Critic）、目标 Q 网络（$\bar{Q}$，EMA 更新）、以及当前策略 ${\pi }_{\theta }$（Actor）。

一轮完整的训练步 = 从 replay buffer 采样数据
                 → DIVL 更新 V_ψ (分布拟合)
                 → DIVL 计算自适应 τ 和 TD 目标 y_Q
                 → DIVL 更新 Q_φ (收敛到 y_Q)
                 → EMA 更新目标 Q 网络
                 → QAM 通过 π_β 生成参考轨迹
                 → QAM 在终点计算 ∇_a Q
                 → QAM 通过伴随匹配生成局部回归目标
                 → QAM 更新 π_θ 的向量场
                 → 新策略异步下发

4.2 协同对话

DIVL 和 QAM 交互如下：

• DIVL 通过分布式评估，为 Q 函数提供了一个考虑不确定性的、极其稳定的"地形图"
• QAM 利用 Q 函数的梯度，通过"导航"而非"瞬移"的方式，将噪声雕刻成高质量的动作
• ${\sigma }_w$ 在其中起到了平衡"模仿"与"优化"的动态权重作用

如果我们把 DIVL 和 QAM 的交互写成对话，它是这样的：

• QAM 问 DIVL：“裁判，我现在在状态 $s$，我的动作走到了位置 $a_t$。如果我往这个方向再迈一小步，我的前途会变亮还是变暗？”，即QAM 问 Q：“请给我动作 $a$ 这里的梯度 ${\nabla }_{a}Q$。”
• DIVL（Critic Head）回答：
  1. “根据我学到的经验，在这个点，Q 值的梯度是这样的：${\nabla }_{a}Q$。你沿着这个方向走，动作价值提升最快。”
  2. Q 因为向 V 学习了"乐观的未来"，它的梯度会指向那些真正能通往高分的动作方向。
• QAM 拿到梯度，把它填进 Adjoint Matching 的公式里，调整自己的速度场。

4.3 梯度传递链

梯度的传递是连接 DIVL 和 QAM 的关键纽带。梯度的计算逻辑如下：

• DIVL 给 QAM 提供了梯度。
  • DIVL 提供了一个稳定的、考虑了不确定性的训练目标, 使得 Q 函数不会因为离线数据的噪声而产生乱七八糟的形状。
  • 梯度的产生：通过对 Critic 网络执行 torch.autograd.grad, 计算 Q 值对输入 a 的导数。
  • 最终形态：这是一个与动作 a 维度相同的向量, 指向 Q 值增加最快的方向。
• 而 QAM 利用这个梯度最终生成了 Action。

整个过程分为三步：

第一步：DIVL 产出目标值，训练 Q 函数

• $V_{\psi }$（分布值函数）包含了很多信息。DIVL 根据当前的"乐观度" $\tau$，从这个分布中提取出一个具体的数值：$y={\text{Quantile}}_{\tau }(V_{\psi }(s^{\prime }))$
• 然后训练 Critic 网络 $Q_{\phi }(s,a)$ 去逼近这个数值
• 结果：我们得到了一个神经网络 $Q_{\phi }$，输入 $(s,a)$，输出一个实数

第二步：利用自动求导提取梯度

既然 $Q_{\phi }$ 是一个神经网络，它在数学上就是一个关于动作 $a$ 的连续函数：

a_t.requires_grad_(True)
q_val = critic_q_net(s, a_t)                    # 问 Q 网络: 在这个点值多少?
grad_a_q = torch.autograd.grad(q_val.sum(), a_t)[0]  # 核心: 计算 q_val 对 a_t 的导数

第三步：梯度体现了 DIVL 的意志

你可能会问：既然是算 Q 的梯度，那和 DIVL 的"分布"有什么关系？关系就在于训练过程：因为 Q 是看着 V 的分布（特别是分布的高分右端）学出来的，所以 Q 函数的"地形图"会被塑造成指向 V 分布中那些高分动作的方向。

V 告诉 Q 哪里是高山，Q 顺着这个指示画出了山的形状，最后 QAM 看着 Q 画的形状往山上爬。

4.4 核心公式全景

我们整理一下完整的公式链条，看清每一步之间的因果关系：

V 网络更新 (交叉熵):
  ℒ_V(ψ) = -log p_ψ(Q_φ̄(s_t, a_t) | s_t)
  → V 学习数据集中 Q 值的分布

自适应 τ (不确定性感知):
  τ(s_{t+H}) = clip(τ_base - α·H(s_{t+H}), τ_min, τ_max)
  → 分布越不确定(高熵) → τ 越低 → 越保守

TD 目标 (分位数 bootstrap):
  y_Q = r_t + γ^H · Quant_τ(V_ψ(s_{t+H}))
  → 从 V 分布取 τ-分位数作为未来价值估计

Q 网络更新 (MSE):
  ℒ_Q(φ) = (Q_φ(s_t, a_t) - y_Q)²
  → Q 收敛到带乐观偏置的 TD 目标

QAM 伴随匹配 (策略提取):
  ℒ_QAM(θ) = E[∫₀¹ || (2f_δ/σ_w) + (σ_w·g̃_w) ||² dw]
  → f_θ 在模仿 f_β 的基础上, 往 ∇_a Q 的方向偏转

这条链条中最精妙的设计在于：每一步的输出都是下一步的输入，且每一步的输出都比上一步更接近"可执行的动作"。V 的分布是抽象的统计信息，经过分位数提取变成具体的数值 $y_Q$，再通过 Q 训练变成连续可导的函数 $Q_{\phi }$，最后通过伴随匹配变成向量场中每一步的局部目标——信息在每一步都在被"提纯"和"转化"，最终落地为机器人流畅的动作。

链条中的重点如下：

π_β (Reference Policy)

π_β 不是 DIVL 的输出, 而是系统的"输入"和"先验知识"。 它通常是一个预先用行为克隆 (BC) 训练好的模型。它代表了"旧的、安全的、但可能平庸的行为"。

在 Algorithm 2 的第 1 行, 你会看到 policy π_θ with reference policy π_β。

它在干什么? 在整个训练过程中, 它像是一个"锚点", 防止 π_θ 因为追求高分而变得过于疯狂 (即我们之前讨论的 KL 散度约束)。

深度解析: DIVL 给 QAM 到底是什么?

• 我们看 Algorithm 2 的第 11 行：Update θ by minimizing Eq. (9) with \tilde{g}1 set from action gradient ∇{a}Q_φ(s, a₁) ...。这一行就是"交接棒"!
• DIVL 先算: 它在第 3-5 行完成了 Q_φ 的更新。这时候, Q_φ 是热气腾腾、最新的裁判。
• QAM 后接: 到了第 11 行, QAM 并没有调用 DIVL 的 V 分布, 它只向 Q_φ 要了一个东西——动作梯度 ∇_a Q。
• QAM 执行: 它拿着这个梯度, 利用 Adjoint Matching, 把原来的 π_β 往更好的方向推一步。
• 总结: 谁产出了谁?
  • DIVL 产出了: 经过修正的 Q_φ (裁判的眼光)。
  • QAM 产出了: 经过修正的 π_θ (运动员的动作)。
  • π_β: 始终在那里, 作为"不准跑偏"的参考标准。

更新 V_ψ (Eq. 12)

这可以理解为 “分类任务”。

• 目标: 我们让分布网络 V_ψ(s) 去预测数据集里动作的 Q 值。
• Loss: 这是一个交叉熵 (Cross-Entropy) 损失。
• 物理意义: V_ψ(s) 学习的是: “在这个状态下, 数据集中的动作 Q 值通常分布在哪些格子里?”

计算 TD 目标 y_Q (Eq. 19)

这是"选择概率分布高的区域执行"的数学体现。

• 在普通的 Q-learning 中, 我们用 max_{a’} Q(s’, a’)。
• 在 DIVL 中, 我们从 V_ψ(s’) 这个分布中取一个分位数 (Quantile)。
• 公式的核心: Quantile_{τ}(V_ψ(s'))。
  • 如果 τ=0.9 (乐观), 我们取分布中前 10% 的高分位置。
  • 如果 τ=0.1 (悲观), 我们取最后 10% 的低分位置。
• 论文提到 τ 不是固定的, 而是根据分布的熵 (Entropy) 来定的: τ(s) = clip(τ_{base} - α H(s), …)。
  • 熵大 代表分布很散 (机器人很懵, 不知道哪里好)。
  • 熵小 代表分布很集中 (机器人很自信)。

更新 Q_φ (Eq. 15)

这依然是一个回归任务 (MSE Loss)。

• 让 $Q(s,a)$ 逼近上面算出来的这个带有"乐观色彩"的 y_Q。

0x05 总结

DIVL 和 QAM 的配合是 LWD 算法层面的灵魂。我们把它们的关系做一个最终的梳理：

维度	DIVL	QAM
角色	评价系统（大脑）	执行系统（肌肉）
核心任务	更新 $Q_{\phi }$ 和 $V_{\psi }$	更新 ${\pi }_{\theta }$
解决的问题	从异质数据中稳健评估价值	把价值信号注入生成式策略
输出	稳健的 Critic + 梯度	改进后的 Flow 策略
关键机制	分布学习 + 自适应分位数	伴随匹配 + ${\sigma }_w$ 噪声调度
与对方的接口	提供 ${\nabla }_{a}Q$	吸收并应用 ${\nabla }_{a}Q$
离在线统一性	相同损失函数，不同数据来源	相同损失函数，不同数据来源

一句话总结：DIVL 给出"往哪个方向走更有前途"的导航信号，QAM 把导航信号转化为每一步的"踩油门力度"，两者配合让机器人在真实部署中持续进化。

0xFF 参考

SERL——针对真机高效采样的RL系统：基于图像观测和RLPD算法等，开启少量演示下的RL精密插拔之路(含插入基准FMB的详解)

边部署边学习：面向通用机器人策略的机群-级强化学习

论文解读：Learning while Deploying (LWD)—— 面向通用机器人策略的集群级强化学习框架