先说一个部署现场里很常见的配置：一台机械臂，两个相机。一个装在侧上方看全局，负责告诉你东西在哪、手该往哪走；一个装在腕部看局部，负责对齐、抓取、以及那些必须贴身完成的精细动作。VLA 模型的典型做法是把两路画面连同语言指令、机器人状态拼进同一个上下文，然后一次吐出未来几十步的动作块。

这套做法看起来没问题，多视角就位、信息齐全。但论文做的第一件事，是去查模型到底在看哪一路。结论不客气：无论任务走到哪一段，模型都更依赖腕部那一路；即使当前这一段明明是全局规划，它也没有把权重挪回全局视角。作者给这个现象起了个名字，叫视角依赖惯性。

他们的补丁不换底座：加一个轻量分支，从多模态观测和最近的动作历史里预测未来 30 步的交互意图，再把这条预测变成逐动作步的全局/局部权重。代价我也先说清楚——每块多 13.19 毫秒、多 70.13M 参数，换来仿真平均 +10.10 个百分点、真机 71.7% 到 85.0%。它不省算力，也不省带宽，这一点对做部署的人来说比涨点更重要。

一分钟速览

• 痛点：静态融合把两路视角的配比写死在训练分布里，模型每一段都更依赖腕部视角，即使当前需要全局规划。
• 证据：全局规划阶段遮住局部视角，成功率从 85.0% 掉到 20.0%；遮住全局只掉到 65.0%，说明依赖没有随阶段移动。
• 做法：用轻量分支从多模态观测与最近 30 个动作预测未来 30 步交互意图，再映射成逐动作步的全局/局部权重。
• 非侵入：路由发生在动作生成侧，不改视觉编码器、语言模型与动作主干，视觉主干保持冻结。
• 监督：意图标签从示范轨迹的末端执行器运动里自动切出，与人工标注的 F1 是 82.9%，不需要人工标阶段。
• 结果：RoboTwin 2.0 全量 50 个任务平均 76.92%，比 π0.5 高 10.10 个百分点；真机从 71.7% 提到 85.0%。
• 代价：多 70.13M 参数，每块推理从 79.59 毫秒增到 92.78 毫秒（+16.6%），两路视角仍都要编码，不省算力。

两路视角的账单是按时长结的，不是按需结的

部署里那个被写死的比例

静态多视角融合的基本形态在论文的第二节被画成一条流水线：全局画面与局部画面各过一个视觉编码器，变成图像 token 或视觉特征，和语言、状态一起作为上下文送进动作生成模块。整条链路上没有任何一处会根据“现在走到哪一段”去改变两路视角的配比。

这个设计在训练时看不出问题，在部署时却会变成一笔固定开销：不管当前需要的是全局定位还是贴面对齐，两路画面都要编码、都要进注意力、都要占显存，融合比例由训练时学到的那个隐式偏好决定，并且在整段轨迹里保持稳定。换句话说，你在为“可能需要的第二路视角”一直付费，但没有任何机制保证这份钱花在该花的那一段。

论文把这种偏执叫视角依赖惯性

作者的表述是：静态融合下，模型会在任务早期依据当时的操作需求形成对某一路视角的强依赖；这种依赖在早期可能是合理的，但由于缺乏对任务进度的显式感知，早期形成的观察偏好会延续到之后的阶段，使策略难以按当前的操作要求去调整两路视角对动作生成的贡献。

我认为这段描述精确地对应了一个工程事实：融合权重是训练分布的产物，而任务进度是推理时才知道的信息。只要这两者不在同一个地方汇合，融合比例就必然是一个与进度无关的常数。后面所有设计，本质上都是在把“进度”这条信息注入到融合权重里去。

图 1｜四个阶段的全局与局部画面：腕部视角在三段里都缺上下文；下方对比基线与本文在每一段主要依赖哪一路视角。

先量一遍偏执：注意力比加一个遮挡实验

要证明模型偏心，作者用了两条互补的证据：一条是看注意力分配，一条是直接把视角挡住看掉多少分（图 1）。前者便宜但可能只是相关，后者粗暴但足够因果，两条一起看才有说服力。

两个指标：谁占优势，以及它有多僵

在动作步 t，作者把全局视角的归一化注意力占比记作 a_global，把所有局部相机的占比求和记作 a_local，两者自然满足和为 1。在这个基础上定义两个量：一是优势边际，即两者之差的绝对值在全轨迹上的平均，用来衡量某一路视角压倒另一路的程度；二是局部依赖的时间变化，即 a_local 逐帧差分的方差，用来衡量视觉依赖随时间被调整的幅度。

观察结果是一个很值得玩味的组合：成功和失败的 rollout 都偏向局部视角，也就是说“偏心局部”本身是普遍现象，并不是失败的充分条件；但失败 rollout 的优势边际更大、时间方差更小，也就是更偏、更不肯动。这两个量合起来描述的正是惯性：偏得厉害且调不动。

更有说服力的是遮挡

注意力比不等于因果依赖，作者自己也引了注意力可解释性方面的质疑文献来说明这一点，于是补了一个阶段条件化的遮挡实验。做法很直接：只在全局规划阶段分别遮掉全局视角和局部视角，各跑 20 次，看成功率掉多少。

遮挡设置	成功率	相对基线
不遮挡	85.0%	—
规划阶段遮全局视角	65.0%	−20.0 pp
规划阶段遮局部视角	20.0%	−65.0 pp

如果策略真的在规划阶段用全局视角做目标定位，那么遮掉全局应该更致命。实测恰好相反：遮全局掉 20.0 个百分点，遮局部掉 65.0 个百分点。局部视角在全局规划阶段仍然是命脉，说明基线根本没有把依赖挪过去。这组数字出现在论文的阶段条件化视角遮挡表里。

这组数字对部署意味着什么

对我这种关心能不能少接一路相机的人来说，这组实验其实是个提醒：多视角的价值并不是均摊的，而是集中在某一路。你如果按“两路同等重要”去做资源分配——比如给两路相同的分辨率、相同的帧率、相同的编码预算——那很可能是在给次要的那一路过度投资，而主力那一路反而没吃够。

反过来，这也解释了为什么简单地做视角丢弃增强（训练时随机扔掉一路）不会等于学会了路由。丢弃只是把“必须从残缺信息里恢复”这件事塞进训练分布，并没有告诉模型“下一段该看哪一路”。论文后面用随机丢弃做了对照，结果排在所有变体的最后一位。

图 2｜本文的整体流程：两路视角与状态、历史分别编码后合成未来意图，再在动作生成侧用逐步骤权重做视角路由。

把阶段换成一个可执行的东西：未来三十步交互意图

既然问题出在“融合比例与任务进度脱钩”，那最直接的想法就是让融合比例去预测任务进度。难点在于“任务进度”不是一个可以直接监督的量：没人给轨迹标过阶段，阶段本身也因任务而异。作者的选择是把进度压缩成一个二值化的、可从轨迹自动导出的问题：未来第 k 步的动作，更需要局部交互式的视觉证据，还是更需要工作空间层面的运动信息（图 2）。

为什么是未来，而不是现在

这是一个我认为很关键的取舍。如果路由只看当前画面，模型能得到的只是“我现在看到了什么”，而这恰恰是它已经有的信息；把它再喂回融合权重，最多只是让融合更贴合当前帧的显著区域，不会产生提前量。

预测未来则不同：动作块是一次性生成的，模型在生成这一块的时候，本来就“知道”接下来三十步会发生什么。把这份预知反过来当作视角选择的依据，等于让视角分配提前一步到位。论文的消融也支持这一点：把未来意图换成当前视觉，成功率从 73.7% 掉到 57.4%；换成执行时间加机器人状态这种捷径信号，只有 58.5%。

桥是怎么搭的

这个分支叫 Future Intent Bridge，输入有三份：VLA 前缀主干给出的视觉语言特征、机器人当前状态、以及最近的动作历史。实现上，状态被线性嵌入成一个 2048 维的 state token；前 30 个动作及其时间差分由两个局部时序块处理，再做 softmax 池化得到同样 2048 维的 history token。

随后是一次跨模态注意力：用语言特征当 query，用视觉与状态历史特征当 key 和 value，四个头、2048 维。这一步的作用是让桥去检索与当前指令最相关的场景证据和运动线索，而不是无差别地读一遍所有特征。最后掩码均值池化，接一个 2048→4096→30 的 MLP，一次输出未来 30 步的意图概率。

两个出口：一个 token 加一条三十维权重

意图序列被用两次。第一次是压缩：池化后过一个小 MLP 得到 chunk 级的 intent token，作为整个动作块的粗粒度语义条件，通过自适应 RMSNorm 注入动作主干。第二次是逐步骤映射：每个 i(k) 经过一个固定的有界线性映射变成一对非负、和为 1 的权重，分别给全局与局部。

我认为“两个出口”这个设计值得单独记一笔，因为它把两种不同粒度的信息分开了：intent token 告诉动作生成器“这一块整体是什么性质的操作”，逐步骤权重告诉它“第 k 步该多看哪一路”。消融显示两者不可互相替代——去掉 token、只留逐步骤路由，成功率从 73.7% 掉到 63.3%。

标签不用人标：从末端轨迹里切出交互段

这套方法能不能落到自己的机器人上，最大的现实问题是标签从哪来。论文的答案是：从示范轨迹的末端执行器运动里自动切，不需要人工标阶段，也不需要额外的视觉模型或任务特定规则。

有夹爪信号就先信夹爪

流程的第一步是把两条手臂的平移速度与旋转增量算出来，各自做 5 抽头滑动平均，然后在每一帧取两臂的最大值，得到一条融合运动信号。接下来判断有没有可用的夹爪信号：如果在至少连续 4 帧上每步夹爪差小于 −0.03，就认为发生了一次闭合事件；前 12 帧内的闭合当作初始化噪声忽略；每个闭合段向前回看 16 帧作为交互种子，同一条手臂上间隔不超过 6 帧的窗口合并。

这条优先路径很符合工程直觉：夹爪闭合是“要动手了”最可靠的物理证据，比任何速度阈值都干净。只要数据里有夹爪通道，交互段的位置基本就定死了。

没有夹爪信号就退回运动学

很多公开数据集的夹爪通道要么缺失、要么量纲不一致，所以作者准备了一条纯运动学的退路：用平滑速度的第 70 百分位定高速帧、第 45 百分位定低速帧，高速段至少 3 帧、低速段至少 6 帧，只有被前后 20 帧内的高速运动包住的低速段才作为交互候选。

候选还要过两道闸：一是路径长度不能超过自适应上限（取 0.02 与低速段路径长度 80 百分位的两倍中的较大者），二是主轴一致性——如果路径很长但运动能量并不集中在单一轴上，就说明这是一次平移而不是原地微调，要剔除。此外还有按压类（起始帧不早于 12、前面 30 帧内有高速接近、路径长度小于上限的一个比例）与交接类（双臂末端距离阈值带、运动份额与活动峰值）两类补充规则。

收尾阶段还有一串清理规则：12 帧间隔内的交互窗口合并、按 72 百分位的高速子段切分、短于 7 帧的高速子段忽略、短于 6 帧的交互碎片丢弃、以及三条针对“看起来像交互其实是搬运停顿”的降级规则。整套规则是确定性的，同一段轨迹跑两遍结果一样。

标签质量与它的鲁棒性

自动标签最容易被质疑的就是准不准。作者拿人工标注做了对照，结果比一个用离线视觉语言模型加任务特定规则映射的 BFA 式方案高出一截；同时他们也没回避这种启发式标签的脆弱性，直接做了两组扰动实验：把局部交互的判据放松或收紧，以及推理时人为破坏意图预测。

检验项	BFA 式标签	本文标签
与人工标注的一致性（F1）	65.1%	82.9%
留出轨迹上的意图预测 F1 / AUROC	未给出	78.4% / 91.2%
判据放松 / 收紧后的成功率	未给出	75.5% / 74.0%（默认 78.0%）
推理破坏 10% / 20% 意图后的成功率	未给出	73.5% / 75.5%（默认 78.0%）

这四行里我最看重后两行。判据放松与收紧分别改动了 45.2% 与 27.6% 的标签，成功率最多只变 4.0 个百分点；推理时破坏两成意图预测，成功率最多差 4.5 个百分点。翻译成工程语言：这套监督不要求你把阈值调到论文那一组数值，也不要求意图预测器完美，控制性能对这两件事都不敏感。

图 3｜路由权重的定义与逐步骤取值：第 1、2、3 步与第 30 步的全局权重分别为 0.75、0.75、0.65、0.32。

路由放在动作侧，不动你的底座

确定了信号，剩下的问题是把它注入到哪里。论文选择的位置很有讲究：不在视觉编码器里改多视角特征，而是在动作生成这一侧做视角调制（图 3）。

逐步骤加权，而不是全局一个比例

具体的融合是一行加权和：第 k 个未来动作步的融合上下文，等于全局权重乘以全局动作上下文、加上局部权重乘以局部动作上下文。两个上下文分别来自动作特征对全局视觉特征、局部视觉特征的两次交叉注意力，四个头、1024 维。融合结果再经门控残差注入回对应的动作特征，交给轻量精修模块出最终动作。

把融合放在动作侧而不是视觉侧，带来两个直接后果。第一，融合是按动作步做的：同一个动作块里，第 1 步可以偏全局，第 20 步可以偏局部，边界是按步切的，不是按块切的。第二，预训练的视觉主干完全不动，视角调制只发生在动作特征这一侧，所以这套东西可以挂到别的 VLA 上而不需要改它们的核心架构——论文在摘要里就是这么表述的。

上下界为什么重要

路由权重并不是自由的：意图概率经固定的线性映射被压进 (0.25, 0.75) 这个开区间，互补视角拿剩下的那部分。也就是说最多只能形成 3:1 的偏好，任何一路都至少保留 25%。

我认为这个 0.25 的下界是整个设计里最务实的一笔。如果允许 0/1 硬选，一旦意图预测错了，正确的那一路就被彻底掐掉，错误会被放大成失败；留 25% 相当于给路由上了一道保险，最坏情况也还能看到互补证据。作者对端点的解释也很诚实：在留出数据里，64.19% 的全局权重严格落在区间内部，其余的按报告精度舍入到 0.25 或 0.75，也就是说有超过三成的采样直接撞到了边——这不是路由退化成固定策略，而是预测得很自信。

非侵入到底省了什么

需要说清楚的是，非侵入省的只是“改造代价”，不是“计算代价”。视觉编码器照样要为两路画面各跑一遍，动作侧的两次交叉注意力还要多跑一套，最后还要多一个 70.13M 参数的桥。论文没有给出 FLOPs、显存或吞吐的变化，只给了一个端到端的延迟数字，这一点我在后面单独算。

图 4｜左为按任务时长分组的成功率雷达图，右为真机平均成功率：π0 59.4%、π0.5 71.7%、本文 85.0%。

数字：仿真 76.92%、真机 85.0%，代价是 16.6% 延迟

实验分三块：RoboTwin 2.0 全量仿真、六任务真机、以及空间重排下的稳健性；最后用一张按时长分组的总结图收口（图 4）。所有基线同数据、同优化步数、同测试种子与协议，不加额外数据或调参。

仿真：按时长分组看更清楚

仿真用 RoboTwin 2.0 的全部 50 个任务，每任务 100 次试验。整体平均成功率 76.92%，比最强基线 π0.5 的 66.82% 高 10.10 个百分点；RDT 34.76%、π0 47.06%。分组看时，增益最大的是中时长任务，最小的是较长时长任务，但五组全部为正。

任务时长组	π0.5	本文	差值
短	63.10%	74.00%	+10.90 pp
中	54.90%	67.80%	+12.90 pp
中长	72.00%	80.70%	+8.70 pp
长	77.10%	85.60%	+8.50 pp
超长 / 灵巧	67.00%	76.50%	+9.50 pp
总体	66.82%	76.92%	+10.10 pp

真机与空间重排

真机平台是 Piper 机械臂加两台 Intel RealSense D435i，分别做全局与局部观测，六个任务各跑 30 次。平均 85.0%，比 π0.5 的 71.7% 高 13.3 个百分点，比 π0 的 59.4% 高 25.6 个百分点，并且在六个任务上都拿了最好成绩。

任务	π0	π0.5	本文
click_bell	80.0%	86.7%	96.7%
stack_bowls	43.3%	60.0%	83.3%
put_toys_in_box	70.0%	83.3%	90.0%
stack_blocks	50.0%	76.7%	86.7%
place_cup_pad	73.3%	66.7%	80.0%
beat_block_hammer	40.0%	56.7%	73.3%
平均	59.4%	71.7%	85.0%

空间重排那组更有意思，因为它测的是“换了布局还认不认得目标”。位置互换的任务上三方分别是 46.7%、60.0%、80.0%；加了干扰物的任务上差距被拉得更开，三方分别是 0.0%、10.0%、23.3%，另一个干扰物任务是 30.0%、46.7%、56.7%。这三个任务的绝对成功率都不高，但排序一致，而且本文的增益在加干扰物的场景里更明显——这与“全局视角负责在杂乱场景里定位目标”的解释是自洽的。

代价要单独算一笔

论文在附录里给了参数与延迟：比 π0.5 多 70.13M 参数；在单张 A100、batch size 为 1 的条件下，每个动作块的推理时间是 92.78 毫秒，π0.5 是 79.59 毫秒，增加了 13.19 毫秒，也就是 16.6%。

这个数字需要被放在正确的位置上看：它不是一条加速路径，而是一条用延迟换成功率的路径。FLOPs 与显存的变化论文未给出，吞吐、控制频率、量化或蒸馏之后的延迟也都未给出。如果你的部署本来就在实时性边缘上，16.6% 的额外延迟不能被忽略；如果你的瓶颈是成功率而不是周期，那这笔账就相当划算。

图 5｜同一任务上视角注意力占比随步数的变化：上为基线（几乎水平），下为本文方法（在 0.2 到 0.75 之间往复）。

我认为最有价值的发现：失效可诊断，监督要显式

三块实验里，我最认可的不是那 10.10 个百分点，而是作者把“为什么赢”拆成了可以被单独否证的两半（图 5）。

失效是可诊断的，不是玄学

第一步用注意力比建立假设，第二步用遮挡做干预，两步之间还引了注意力不可解释的文献来自我设限。这个顺序值得学：先看分配，再做干预，只有当干预的后果与分配的趋势一致时，才敢说是因果。落到工程上，这意味着当你怀疑自己的多视角策略偏心时，有一个非常便宜的验证手段——不必训练，只要在关键阶段把某一路遮掉跑二十次，就能看出它到底靠谁。

消融把容量这条解释排除了

这是我认为整篇论文最漂亮的一次实验设计。他们保留了完全相同的路由结构、相同的逐步骤应用方式、相同的 intent token 通路，只把显式意图监督拿掉，只用动作损失端到端地学路由变量。结果成功率从 73.7% 掉到 55.7%，低了 18.0 个百分点。这直接回答了审稿人最常问的那句“涨点是不是因为多加了一个网络”：不是，结构一样，差的是监督信号。

变体	路由信号 / 改动	成功率（95% CI）
完整版	多模态未来意图，逐步骤路由	73.7%（71.6–75.7）
Learned Static	全局共享的可学比例	67.5%（65.3–69.6）
Reactive-Vision	只看当前视觉	57.4%（55.1–59.7）
Time + State	只看执行时间与机器人状态	58.5%（56.2–60.8）
E2E Future	保留结构，去掉意图监督	55.7%（53.4–58.0）
Routing Only	去掉 chunk 级 intent token	63.3%（61.0–65.5）
Random Masking	随机视角丢弃	54.6%（52.3–56.9）

顺带说一个容易被忽略的细节：这组消融用九个任务、两个种子、每任务每种子 100 次试验，但所有变体只训练 20K 步，而主实验是 100K 步。所以这组数字不能和 76.92% 直接对比，只能在同一组内部比较。论文把这一点写在表注里，我认为读表时应该跟着一起读。

曲线证明它真的在换视角

可视化那组图给的是 Stack Blocks Three 上的视角注意力占比：上图为基线，全局稳定在 0.3 附近、局部稳定在 0.7 附近，整条轨迹几乎是两条水平线；下图为本文方法，两条曲线在 0.2 到 0.75 之间往复，谷与峰大致对应抓取、对齐、搬运的切换点。逐帧标注里也能看到权重从 0.75/0.25 一路走到 0.30/0.70 再回到 0.75/0.25。

这条曲线是我建议所有人都看一眼的部分。成功率只能告诉你结果，曲线才能告诉你机制是否真的按预期在运转。如果换成你自己的机器人之后，曲线仍然是两条水平线却依然涨点，那就说明增益来自别的地方，你的路由分支大概是白加的。

适用边界：它解决的是选哪个，不是看不看

作者在局限一节里把话收得比较紧，我按部署视角再补几条读表读出来的边界。

• 意图只是一种进度表示。作者明确提出，未来意图只是刻画操作进度的一种可能表示，希望后续工作去探索更丰富的进度信号，比如显式子目标、物体级交互状态、任务阶段描述，或语言落地的中间计划。
• 跨本体与跨相机配置没有验证。论文把扩展到不同机器人、不同相机配置与真实环境的跨本体设置列为未来工作，并在意图标签评估一节的末尾直接写明“泛化到未见相机布局仍是未来工作”。
• 只有两路视角。全篇的全局与局部分工都是“一路第三人称加一路腕部”，三路及以上视角、或多路局部相机之间的路由，论文未给出结果。
• 延迟只测了一个点。92.78 毫秒是在单张 A100、batch size 为 1 下测的每个动作块时间，没有测吞吐、没有测多请求并发、没有测量化或蒸馏后的端侧延迟，也没有给出控制频率。
• 统计口径有限。消融给了 95% 置信区间，但每组只有两个种子；主实验 50 个任务各 100 次试验的规模足够，真机却只有六个任务、每任务 30 次，换抓取物或换台面之后的方差，论文未给出。
• 指标只有成功率。没有力控、碰撞、平滑度或安全隐患相关指标，也没有失败模式分类；对做安全验收的团队来说，这部分数据缺失。

把这些边界合起来看，它的定位其实非常清楚：它不改变你“要不要用两路视角”的决策，也不改变你的相机配置；它改变的是“这两路视角在每一段该以什么比例参与动作生成”。如果你的问题正好是后者，这篇论文可以照着做；如果你的问题是前者——比如想省掉一路相机的带宽或编码开销——那这篇论文帮不上，因为它的路由是软的，两路画面永远都要编码。

术语速查

术语	原文定义与含义
视角依赖惯性	静态融合下早期形成的视角偏好会延续到后续阶段，难以按当前需求调整
优势边际	全局与局部注意力占比之差的绝对值在轨迹上的平均，衡量一路压倒另一路程度
局部依赖时间变化	局部视角占比逐帧差分的方差，越小说明依赖越不随时间调整
Future Intent Bridge	本文轻量分支：语言特征作 query、视觉与状态历史作 key/value，预测未来 30 步意图
意图 token	意图序列池化后经小 MLP 得到 chunk 级条件，通过自适应 RMSNorm 注入动作主干
逐步骤路由权重	每个未来动作步一对和为 1 的全局/局部权重，由意图概率经有界线性映射得到，区间 (0.25, 0.75)

工程落地清单

1. 先做便宜的诊断：关键阶段分别遮掉全局与局部视角各跑二十次，看成功率掉多少；不必训练就能判断策略靠哪一路。
2. 确认数据里有夹爪通道：有闭合信号时标签几乎不用调参，没有时才退回百分位加路径长度那套运动学规则。
3. 把路由权重压在区间里、别做成硬选择：(0.25, 0.75) 的下界保证任何一路至少留 25%，标签与意图预测出错时最多掉四五个点。
4. 把意图监督当成必须项：同结构去掉显式意图监督，成功率从 73.7% 掉到 55.7%，说明路由网络本身不是增益来源。
5. 保留 chunk 级意图 token 与逐步骤路由两条通路：去掉 token 会掉 10.4 个百分点，两者粒度不同、不可互替。
6. 按自己的延迟预算决定是否上：每块多 13.19 毫秒、多 70.13M 参数，且不减少任何一路的编码，这是用延迟换成功率的路径。
7. 上线后用曲线验收机制，别只看成功率：换到你的机器人后若视角占比仍两条水平线却依然涨点，说明增益来自别处。

我读完之后的几点提炼

把“进度”变成一个可以自动标注的量

整篇论文最难的其实不是路由，而是给路由找监督。作者的路径值得抄：不要试图定义阶段，而是找一个与阶段强相关、又能从轨迹里确定性导出的二值量——这里选了“未来第 k 步是否需要贴面交互的证据”。这个量既能被自动标注，又能被模型从多模态上下文里预测，还直接对应视角选择。做类似改造时，先问“我的那个可执行代理量是什么”，比先问“网络怎么设计”有效得多。

用上下界把错误变成可恢复的

(0.25, 0.75) 这个区间是一个很便宜的鲁棒性设计：它把路由的错误从“掐掉正确信息”降级为“权重偏了点”。论文的鲁棒性实验也支持这一点——标签定义大改、意图预测被破坏两成，成功率都只动四五个点。我认为这条经验可以搬到任何软路由、软门控的设计里。

省算力与涨成功率是两条不同的路

这篇论文常被归到“效率”类，但读完数字会发现它并不是：参数多了 70.13M，延迟多了 16.6%，两路画面一路都没少编码。它的效率体现在别处——非侵入，不用改底座，视觉主干保持稳定，因此可以在已有 VLA 上加装。把这两件事分开看，才不会在选型时把它当成一个加速方案。

消融要能回答“为什么赢”

那组“结构不变、只去掉监督”的对照，比再加十个任务更能说服人。我建议在读任何带路由、门控、选择机制的论文时，都先去找这一条对照：如果没有它，多出来的容量本身就可以解释掉大部分增益。

常见问题

它能不能省掉一路相机？

不能。路由是软的，权重被限制在 (0.25, 0.75) 之间，两路画面仍都要编码、都要进注意力；论文未给出跳过某一路编码的结果，也未给出带宽或显存节省。

换机器人、换相机位置还能用吗？

只在两种平台验证：RoboTwin 2.0 仿真与一台 Piper 机械臂加两台 RealSense D435i 的真机。作者把跨本体、跨相机配置的扩展列为未来工作，并写明泛化到未见相机布局仍是未来工作。

意图预测不准会不会直接崩？

论文做了破坏实验：推理时随机破坏 10% 与 20% 的意图预测，成功率分别为 73.5%、75.5%，相对未破坏的 78.0% 最多差 4.5 个百分点。

结语

回到部署现场。两个相机都还装着，两路画面都还要编码，模型仍然要一次生成几十步动作。变化只发生在动作特征融合的那一小段：模型现在会先想一下接下来三十步要干什么，然后据此决定这一步多看全局还是多看腕部。

这个改动很小，代价也很具体：13.19 毫秒和 70.13M 参数。它换来的东西在论文里写得很清楚：仿真全量 50 个任务上 +10.10 个百分点，真机上从 71.7% 到 85.0%。对我而言，这篇论文真正的贡献是它把一个模糊的工程直觉——模型好像总盯着腕部——变成了可以被测量、被干预、被自动监督、被逐步骤调节的一条链路；而这条链路里的每一环，都能在你自己的机器人上复现。