先看一个已经很常见的系统形态：一个编码 agent 坐在仿真器前面，读任务说明，从技能库里挑感知、抓取、运动规划的函数，拼成一份可执行的策略代码；跑几十个 episode，把日志拿回来读，改代码，再跑。这套循环在 2026 年已经有一批系统在做，Voyager 式的技能库、CaP-X 式的编码基准、ENPIRE 式的真机自改进，路子都差不多。

问题是，这套循环里有四个可调的旋钮：用哪个模型、给什么样的技能库、反馈怎么报、课程怎么排。工程上大家往往是四个一起动，涨了就说方法有效，跌了也不知道是哪一块坏了。这篇 50 页的报告把四个旋钮拆开，一次只动一个，其余全部冻结，然后在九个任务上把它们各自的贡献量出来。

我先给最反直觉的一条：真正卡住的不是“信息不够”，而是“信息变不成正确的策略补丁”。论文原话是瓶颈往往不在能不能拿到足够的信息，而在能不能把它解释成正确的策略更新。这条结论贯穿了它后面的六个 finding，也决定了你该先补哪一块。

一、先给结论：四个因素不在一个量级，方向也不一致

四个旋钮分别被操作化成了什么

受控实验最怕的是“控制”只是嘴上说说。这篇的做法是给每个旋钮定义一条可执行的变化轴，其他全部冻结。模型轴换的是编码 agent 本身，推理档位也算一个设置；技能轴换的是技能库里给什么、给多少、给不给源码；反馈轴换的是报告的粒度与空间表示；课程轴换的是训练实例的排布顺序，具体是从特权状态迁移到视觉感知。

因素	怎么变	主结果（留出成功率）
模型	10 个设置：换编码 agent 与推理档位	零样本 33–67%，两轮后 44–81%
技能	全库 / 有文档无源码 / 只给工具	新代码占比 4–24%，增益 1–40 点
反馈	3 档时间粒度 × 4 档空间表示	25 / 36 / 52%；19 / 30 / 40 / 52%
课程	特权状态先学再迁视觉，有 / 无	总体 52% 对 46%，任务级 −47 到 +84

三条和直觉相反的结论

• 反馈不是越细越好。按每个机器人动作报（per motion）总体 36%，按每个语义技能报（per skill）总体 52%——更细的那一档更差。原因是感知类步骤不产生位移，在“每个动作”这个单位里根本没有位置，而失败常常就埋在感知上。

• 世界坐标信息完备不等于 agent 能用。论文里有一档反馈只给世界坐标系下的物体位置与关系，原则上这份状态足以推出一切操作需要的关系；实测总体只有 30%，最差的任务是 0%。把同样的状态换成物体坐标系再补上零件标注，同一批场景、同一个初始策略，总体到 52%。

• 课程能加速也能锁死。同一个特权到视觉的课程，在 Threading 上把成功率从 2% 抬到 86%，在 Tool Hanging 上从 63% 压到 16%。它不是“平均有点用”，而是分任务地放大或摧毁。

图 1｜论文开篇举的三类失败：左边是抓取与放置策略不匹配，中间是没算清被持物体的几何与间隙，右边是可变形物体难以用局部动作决策。

二、受控实验长什么样：五个加四个任务，一条闭环

任务、技能库与它们的规模

任务分两套。VABAR 里五个接触密集的操纵任务：Tool Hanging、Syringe Packing、Gear Meshing、USB-C Insertion、Cable Routing。MimicGen 里四个长程多阶段任务，用 Medium（D1）布局：Kitchen、Coffee、Threading、Mug Cleanup。五个 VABAR 任务各自压不同的能力：Tool Hanging 压的是抓取时别挡住环、搬运时别撞钩子；Syringe Packing 要把 150 毫米的注射器竖起来穿过 55 毫米的开口，是全篇最长的任务，中位 episode 一万一千多控制步；Gear Meshing 是唯一有时序目标的任务；USB-C Insertion 每侧间隙 0.15 毫米，还有一根线在拖；Cable Routing 直接操作可变形物体（图 3）。

技能库是 open-robot-skills，30 个技能、72 个脚本，每个技能是一个带 SKILL.md 的目录，里面写清什么时候适用、状态怎么流、声明了哪些工具、有哪些具名出口。再加上每任务 70 到 78 个底层工具，构成 S = S0 ∪ Sg ∪ Sτ ∪ SA：S0 是机器人与传感器原语，Sg 是通用技能，Sτ 是任务专家技能，SA 是 agent 自己写的代码。专家技能那一层是人工 VABAR 视觉策略的入口脚本，一共 11 个 bundle、43 个入口；其中最少的 Tool Hanging 只有一个胶水脚本，因为人类策略本来就是用 Sg 里的 15 个脚本拼的。

图 2｜四个旋钮套在同一条自学习闭环上：初始化策略、在仿真里跑、拿反馈、改代码，横轴是迭代轮次，纵轴是任务成功率。

一个回合里到底发生了什么

论文把闭环写成一个更新式：第 k+1 轮的策略，是编码 agent A 在拿到第 k 轮反馈、并参考此前全部编辑历史之后，对自己策略的一次改写。

πk+1=A(πk, fk, {(πj,fj)}j<k),fk=F(πk,{τi}) \pi_{k+1}=A\left(\pi_k,\ f_k,\ \{(\pi_j, f_j)\}_{j<k}\right),\qquad f_k=F(\pi_k,\{\tau_i\}) πk+1​=A(πk​, fk​, {(πj​,fj​)}j<k​),fk​=F(πk​,{τi​})

其中 f_k 是反馈函数把这一轮训练集上的运行结果渲染成的报告，τ_i 是训练实例。目标是让策略在整个初始位姿分布上都能成：

$${\pi }^{\ast }=\arg \underset{\pi }{\max }{\mathbb{E}}_{x_i\sim B}\left[J(\pi )\right]$$

这里 B 是初始物体位姿的分布，J 是逐物体的成功指示。注意 f_k 不是标量奖励：它是一份文本报告，可以带图，可以带中间状态，这正是后面所有反馈实验的操作空间。

一个回合的流程比这句话琐碎得多（图 2），这也是这篇论文值钱的地方——它把 harness 的每个卡点都写出来了。

仅示意：一个自学习回合（附录 C.1 / C.3）
generate   k=0 写 π0，只读文档与技能库
preflight  1 集不计分（≤1500 步）
           分不清“跑不起来”与“跑失败”
           崩溃 → 最多 2 次修复会话
train      4 个训练实例，记逐步骤返回值
feedback   渲染 FEEDBACK.md，唯一反馈
improve    提案 → guard + validate.sh
           被拒带违规项修 2 轮 → π_{k+1}
validate   5 个验证实例，定停不停
held-out   10 个留出实例，不回灌

隔离手法：所有臂从同一个初始策略出发

这是我读这篇时最在意的一处。反馈实验的每一个非参考条件，都不是“重新训一个”，而是从参考运行的那个初始策略 π0 出发，并且先把参考运行自己 k=0 的训练批次用新渲染器重渲一遍，再开始迭代。这样两行数字之间的差，只能来自报告的写法，不能来自“这一轮的初始代码碰巧更好”。

主实验的规模是：10 个 agent 设置（Opus 5 的三个推理档位各算一个）× 5 个任务 × 每任务 5 次独立运行，每设置两轮反馈；每轮 4 个训练、5 个验证、10 个留出实例。课程实验另算：MimicGen 8 轮特权加 8 轮感知（Fable 5.1），VABAR 5 加 5（Opus 5），每任务 3 次运行，7 个任务 × 3 = 21 对。

还有一个口径必须说清楚：表里的 @k 不是“第 k 轮那一刻”的分数，而是前 k 轮里最好的一次留出成功率；被保留的那个 iterate 是验证分数第一次达到最高的那一版。这意味着两件事——第一，报出来的数略偏乐观，因为它取的是最好的一次；第二，验证集选的是“第一次最高”，而不是“最后一次”，所以中途偶然撞对的一版会被留下来。

图 3｜九个任务的真机渲染：左边五个是 VABAR 的接触密集任务，右边四个是 MimicGen 的长程任务，每格都是执行前与执行后的对照。

协议里那些被钉死的量

受控之所以成立，除了“一次只动一个轴”，还因为下面这些量在每个运行里都一样。读它的数字时要一直记着这些前提：

• 每个任务实例只跑一次、只按物体计分，episode 结束条件是策略返回（再等 60 个控制步稳定，Gear Meshing 是 120 步）、撞到步数上限或仿真发散。
• 步数上限按任务固定：Tool Hanging 8,500、Syringe Packing 22,800、Gear Meshing 6,000、USB-C Insertion 9,000、Cable Routing 13,000。
• 运动栈与分割后端按任务固定，从不混用：Tool Hanging 与 Syringe Packing 用 cuRobo，其余三个用 OSC；分割是 SAM3 或颜色阈值。
• 任务指令逐字取自任务文档，同一个任务的 19 个实例共享同一句指令，实例之间只差随机生成的场景。
• 反馈里永远不给 sim.check_success 与特权状态读取器，因为“目标是什么”正是 agent 要学的东西。

账单要先说，不然没法判断结论的适用范围

全部实验 631 个配置、约 2,500 个 agent 编辑会话、约 27,600 次 rollout（附录表 20 给的精确总计是 2,459 个会话与 27,620 次 rollout），其中 131 个配置属于“被替换的一遍”或“砍掉的臂”。算力是 17,900 GPU 小时（RTX PRO 6000 Blackwell）加 2,700 GPU 小时（A100），约七万美元；编码 agent 的推理另算，约三万六千五百美元。这个量级说明一件事：它不是一个能随便复现的 benchmark，而是一次性的普查。你要在自己系统上复用它的结论，只能挑其中一两个对照去做。

顺带记一组 harness 层面的干预率，它比成功率更能反映这类系统的日常：静态 guard 会拒掉约 9% 的首版提案，且全部是“运行时计算工具名”这一类无法静态判定的写法，一轮修复后都能通过；preflight 崩溃率 3%，修复会话救回其中 88%；每 100 个会话还有 11.6 次 revert，其中 42% 是因为训练成功率反而下降、35% 是因为最近接近距离变大。换句话说，这套循环里有相当一部分算力花在“把错误提案拦下来”上，而不是花在学习上。

三、因素一：模型——零样本看不出差距，两轮之后拉开三十点

同一个起点，四种命运

先看表。这张表是整篇的主表，十个设置加一行人类策略，报的是留出集上逐物体的成功率，@0、@1、@2 分别是零样本、一轮反馈后、两轮反馈后（原文口径是“前 k 轮里最好的一次”）。

模型	@0	@1	@2	两轮增益
人类策略	82	–	–	–
Opus 5 xhigh	45	64	74	+29
Opus 5 high	41	62	81	+40
Opus 5 low	57	67	74	+17
DeepSeek V4	38	43	44	+6
Sonnet 5	45	46	46	+1
Kimi K3	39	43	46	+7
Fable 5.1	44	57	64	+20
GPT-6 Astra	43	47	48	+5
Opus 5.5	67	74	77	+10
GPT-6 Sol	33	41	53	+20

看第一列，零样本的成功率挤在 33% 到 67% 之间，四个设置的起点几乎一样：Opus 5 xhigh 45%、Fable 5.1 44%、GPT-6 Astra 43%、Sonnet 5 45%。如果只看零样本，你会得出“模型差别不大”的结论，然后选最便宜的那个。

两轮之后，这四个起点相同的设置变成 74%、64%、48%、46%。同一条反馈、同一批任务、同一个初始策略，最大的差距有 28 个百分点。这就是 Finding 1：模型能力的差别在策略初始化时还不明显，在自学习阶段才显形。

会写和会修是两种能力

论文用一张编辑结果分解图说明这件事：把每一轮针对“被报告的失败技能”的编辑按结局分成四类——修好且成功率涨、修好但成功率没涨、同一个失败还在、换成了另一个失败。同一个失败现象，有的模型能定位到上游改对，有的只会把报错那一行改得更稳。

我认为这个区分对工程选型很实用。你现在用模型跑自学习，大概率只是在测它“会不会写一份能跑的代码”；真正决定收敛的是它“能不能从一份执行日志里定位到该改哪一行”。前者考的是代码能力，后者考的是归因能力，两者在榜单上不是同一个分数。

四类结局各自的含义，值得单独列一下：

• 修好且涨点：定位到了上游，并且改动落在正确的语义步骤上，这是唯一一种真正在学习的编辑。
• 修好但成功率没涨：把这一条失败路径堵住了，但没有覆盖到其他实例，收益被其他失败吃掉。
• 同一个失败还在：改动是表面化的，比如加了一次重试、调了一个阈值，根因没动。
• 换成了另一个失败：修一处引入一处，这类编辑在弱模型上很常见，表现为总分原地打转。

贵不等于强，这一条可以直接省钱

论文在成本附录里给了一句很硬的话：花费不跟随成功率。Fable 5.1 的输入、缓存写入和输出单价都是 Opus 5 的两倍，25 次运行的设置花掉 417 美元，两轮后 64%；Opus 5 high 与 Opus 5.5 各花了不到它一半，两轮后分别是 81% 和 77%。最便宜的一档是 DeepSeek V4，同一个 25 次运行的设置只花 33 美元，两轮后 44%。

这组数字不能读成“便宜模型也行”——44% 对 81% 是两倍的差距。能读出来的结论是：在这个任务族里，单价和最终成功率之间没有单调关系，选型必须自己跑那两轮，不能按价格排序。

四、因素二：技能——对弱模型是墙，对强模型是脚手架

按行追代码来源，看它到底用了什么

技能实验的做法很巧：把零样本策略的每一行代码归一化后，逐字去匹配专家任务技能、通用库里人类也用过的技能、通用库里人类没用过的技能，剩下的算 agent 新写的。于是每个设置的策略都能画成一根堆叠条，左边是“抄来的”，右边是“自己写的”。

结果的分化非常干净。反馈后涨得最多的几个模型，新代码占比也最高：Opus 5 xhigh 24%、Opus 5.5 18%、Fable 5.1 12%。它们的用法是把专家技能当底子，在不够用的地方加或改任务特定的逻辑。反过来，Sonnet 5、DeepSeek V4、Kimi K3、GPT-6 Astra 只写 4% 到 7% 的新代码，更多依赖技能库里已有的行为，两轮后停在 39% 到 46%。

图 4｜零样本策略的代码来源分解：横轴是代码行数，四段颜色分别是专家技能、人类用过的通用技能、人类没用过的通用技能、agent 新写的代码，右侧是各自的零样本成功率。

用得多不等于用得好

这里有个容易被忽略的反例。Kimi K3 用了最大份额的“人类没用过的通用技能”，占它代码行的 13%，但它新写的代码依然很少，两轮只涨 7 点。也就是说，“更广泛地调用技能库”和“能改造技能库”是两件事。

Finding 2 的说法是：专家技能对弱模型是边界，对强模型是脚手架。弱模型基本只在技能库已经表达过的行为空间里组合，强模型会挑着复用、也会挑着背离人类给的实现，造出新的任务特定做法。这对做平台的人是个提醒：你把技能库做得越全，弱模型越可能被这个库的形状锁住，而不是被它解放。

给不给源码，这篇没给出干净答案

技能实验还设了两个受限臂：一个是“有文档可调但看不到源码”，一个是“只给底层工具、把通用技能整层拿掉”，各 25 次运行。这两个臂的价值在于把“技能的接口”和“技能的实现”分开。

但主文没有把这两个臂的成功率单独列成表，能读到的只有两处旁证：受限臂的 preflight 崩溃率是每 100 个会话 7.4 次，全体平均是 2.7 次；“只给工具”那一臂在 Cable Routing 上任何留出 episode 都没能分割出电缆，而这两个受限臂合计 25% 的感知类失败份额，全部来自“只给工具”这一臂在 Cable Routing 上的运行。所以“要不要把技能源码交给 agent”这个问题，这篇给了失败模式，没给胜负。我认为这是它最诚实也最不完整的一块。

五、因素三：反馈的时间粒度——故障点不等于出错点

三种粒度，同一批失败

反馈实验把报告的时间单位换成三档：按 episode（整条轨迹一次总结）、按 motion（每个不与语义技能对齐的机器人动作）、按 skill（每个语义技能）。全部臂从同一个初始策略（总体 3%）出发。

任务	初始策略	per episode	per motion	per skill
总体	3	25	36	52
Tool Hanging	0	7	45	90
Syringe Packing	0	90	55	50
Gear Meshing	0	10	80	70
USB-C Insertion	0	0	0	20
Cable Routing	17	17	0	27

总体看，per skill 52% 明显高于 per motion 36% 和 per episode 25%。但这个平均数掩盖了任务级的反转，而反转本身才是这篇论文最有信息量的地方。

一个具体的归因故事

Tool Hanging 上，per episode 只有 7%。论文把失败过程写出来了：agent 反复把失败归因到最后的“伸手去挂”那一段，于是不停改那一段，但真正的错误在更早——它对扳手环的估计就是错的。它改的是故障点，不是出错点。

换成 per skill 之后，同一个任务到 90%。因为技能级反馈记录了每个语义步骤前后的状态变化和返回值，那个错误的环估计在“抓取”这一步就暴露了：环没有被夹住，或者夹住的位置偏了。

Gear Meshing 是同一个模式，10% 到 70%。而 Syringe Packing 正好相反：per episode 就有 90%，因为注射器留在容器口外面或者横在开口上，这个几何错误在最终状态里直接可见，根本不需要中间信息。Cable Routing 是另一种形状：per skill 27%、per episode 17%、per motion 0%，最细的那一档同样归零，但中间粒度并没有被“最终状态已足够”抵消掉。

为什么 per motion 会漏掉感知

这是我认为整篇最值得抄的一条机制。per motion 报告的是每个机器人动作的结果，但感知步骤不产生位移，它在“每个动作”这个单位里没有位置。所以一次“没识别出红色启动按钮”的失败，在 per motion 报告里什么都不留。

数字上很干净：USB-C Insertion 在 per motion 下是 0%，per skill 下是 20%；Cable Routing 在 per motion 下是 0%，per skill 下是 27%。这两个任务的失败里有相当一部分来自感知，per motion 结构性地看不到。

每一档粒度会漏掉什么

把三档放在一起看，各自的盲区很清楚：

• per episode 只看到结局，看不到过程。它适合“错误在最终状态里直接可见”的任务（Syringe Packing 90%），不适合“错误发生在更早一步”的任务（Tool Hanging 7%）。
• per motion 看得到动作，看不到不产生动作的决策。感知、规划被拒、自检中止这些环节在它里面没有单位，所以 USB-C 与 Cable Routing 直接归零。
• per skill 看得到每个语义步骤的进出状态与返回值，代价是你要在策略里显式定义“步骤”和“具名出口”，这恰好也是 harness 强制要求的那件事。

Finding 3 的表述是：反馈在语义上有意义的策略决策这一级报，比在可用的最细时间步上报更有用。多阶段操纵里，被观察到的失败可能远晚于导致它的那个决策。

六、因素三续：反馈的空间表示与策略结构

同一份状态，四种写法

空间表示这一档更细：四行分别是只报结果、报世界坐标下的状态与关系、报物体坐标系下的状态与关系、再补上零件标注。四行描述的是同一个场景状态，只是关系被显式化的程度不同。

任务	只报结果	世界坐标	物体坐标	加零件标注
总体	19	30	40	52
Tool Hanging	15	25	63	90
Syringe Packing	45	60	50	50
Gear Meshing	0	50	60	70
USB-C Insertion	0	0	0	20
Cable Routing	33	13	27	27

从 19% 到 52%，中间没有换模型、没有换技能、没有换任务，只换了同一份状态的写法。Tool Hanging 上更夸张：15%、25%、63%、90%。

信息完备不等于可推理

世界坐标那一行是最有说服力的一格。原则上，给足了世界坐标，agent 完全可以自己做坐标变换，算出扳手长轴与竖直方向的夹角、算出爪子沿长轴的偏移。实测它做不到：总体 30%，USB-C 上 0%。

物体坐标那一行把这些关系直接写出来——长轴偏离竖直 83 度、爪子沿长轴偏 35 毫米——Tool Hanging 立刻从 25% 跳到 63%。零件标注那一行更进一步，把“环的半径 14 毫米、环目前不在柄上”这种功能几何说出来，Tool Hanging 到 90%（图 5）。

图 5｜同一份失败状态的四层写法：a 只报结果，b 世界坐标，c 物体坐标系，d 零件标注；四张图配的是同一帧。

策略结构：人类写中间路点，agent 写重试

再往下一层，论文比较了人类写的策略和 agent 学出来的策略在结构上的差别。人类策略经常把几何结构显式化：反复感知与重注册、显式的中间路点、专门的规划阶段。这些中间位姿编码的是几何先验——从更安全的方向接近、保持间隙、经过那些更容易找到可行解的构型。

agent 学出来的策略更多是在粗粒度的操作步骤外面套验证、重试和恢复。它们能复用带有几何结构的动作，但在自己生成或修改策略时，不太能重建“为什么需要这个结构”（图 6）。

图 6｜人类（H）、Astra（A）、Fable（F）三种策略的结构对比：方块颜色是感知、运动规划、抓取规划、移动、决策，右侧是两轮后的成功率。

具体案例是 Syringe Packing。机器人要把 150 毫米的注射器穿过 55 毫米的开口，同时考虑注射器作为运动系统的一部分、周围障碍、再定向所需的间隙、插入姿态。人类策略用碰撞世界、被持物体注册、带碰撞感知的路点、带朝向约束的插入把这套依赖显式写出来。而在没有专家技能的运行里，19 份自写初始策略中有 17 份把注射器平着搬过或放在开口上方。反馈能让 agent 认识到错误，最后也能采用“在盖子上方转向、垂直下降”这类启发式，但它们倾向于把修复写成间隙常数、抬升高度和重试，而不是一个通用的碰撞感知模型。

图 7｜同一个任务的两条运动计划：人类（蓝）先到一个无碰撞的位置再转向，agent（红）的计划几乎没有再定向的余量。

Finding 5 由此而来：对碰撞几何与空间关系的推理，仍然是 agentic 机器人运动规划的关键瓶颈。agent 能认出局部的几何错误，但很难把物体位姿、被持物体几何、障碍、间隙整合成一个连贯的、碰撞感知的运动计划。

还有一个细节值得单独记：Cable Routing 的接触记录里没有那根可变形电缆。这意味着任何一档反馈都不会报“抓到了电缆”或“搬动了电缆”，也不会有任何一个 episode 被报成“达成了与电缆的接触”。这一格的数据缺失是仪器层面的，不是方法层面的——读这张表的 Cable Routing 列时，要知道它测的是端口与绑扎，而不是线缆本身。

七、因素四：课程——特权信息能加速，也能锁死

一个有代表性的课程：从特权状态到视觉

课程实验选的是一个很典型的做法：先让策略在带精确仿真几何的特权状态上学，再迁到只有 RGB-D 感知的非特权状态。MimicGen 上跑 8 轮特权加 8 轮感知（Fable 5.1），VABAR 上跑 5 加 5（Opus 5），每任务 3 次运行，每次在 10 个固定留出布局上评。

任务	有课程：技能 / 成功率	无课程：技能 / 成功率
Tool Hanging	19.3 / 16	28.0 / 63
Gear Meshing	18.3 / 33	21.7 / 40
USB-C Insertion	18.0 / 31	10.7 / 16
Kitchen	13.0 / 33	13.3 / 62
Coffee	5.0 / 76	11.7 / 64
Threading	8.7 / 86	18.3 / 2
Mug Cleanup	6.3 / 93	9.3 / 77
总体	12.7 / 52	16.1 / 46

总体 52% 对 46%，看起来是“课程略好”。分任务看完全是另一回事：Threading 从 2% 到 86%，Coffee 从 64% 到 76%，Mug Cleanup 从 77% 到 93%；同时 Tool Hanging 从 63% 掉到 16%，Kitchen 从 62% 掉到 33%。

加速的三个任务做对了什么

Threading 是最戏剧性的一个：没有课程时，直接学视觉的成功率只有 2%，几乎学不动；先学特权再迁移，到 86%。这说明在长程、多阶段、感知噪声大的任务上，先用干净几何把任务结构立起来，再让它去处理感知误差，是有效的。

Coffee 和 Mug Cleanup 是温和版的同一个故事：先学结构、再学感知，迁移后还有余量。这三个任务的共同点是，特权阶段学到的操作策略在视觉下依然成立。

锁死的两个任务错在哪

Tool Hanging 是反面教材：在有精确扳手几何的特权阶段，它的留出成功率就一直低于 10%。也就是说，课程并没有给它一个好的初始化，反而让它在一个错误的策略上继续打补丁。

Kitchen 的问题更典型：它在特权阶段发展出一个依赖几何精度的抓取策略，迁移之后视觉给不了那个精度，策略就崩了。论文的说法是，课程在这里不只是提供了一个初始化，它约束了后续的自学习。

机制：结构被继承，然后被打补丁

表里还有一列技能数，这一列比成功率更能说明机制。有课程的策略在特权阶段结束时平均 12.0 个技能，迁到感知后是 12.7 个；而没有课程的纯感知策略最后是 16.1 个。

换成直白的话：特权阶段定下的策略骨架，在迁移之后基本没被重构，只被修补。这正好接上 Finding 1——模型倾向于保留并修补继承来的结构，而不是重新组织它。所以课程的影响是双份的：它给了你一个起点，也给了你一个天花板。起点对的时候，你省下了从零探索的成本；起点错的时候，你后面所有迭代都在为一个错误的结构做局部优化。

读这张表还要注意两套 benchmark 的配置并不对称。MimicGen 那一组换了更强的模型（Fable 5.1）、每轮重采样 10 个新训练布局、允许每轮最多 2 个不计分的探测 episode、反馈里带两张回合末的相机图；VABAR 那一组是 Opus 5、每轮固定同样 4 个训练布局、没有探测、只给文本反馈。所以表 4 的“总体”两行只能当各自套内的对照读，不能把 VABAR 的任务和 MimicGen 的任务放在一根轴上比。

图 8｜七个任务的课程曲线：上排是留出成功率，下排是阶段奖励，虚线是迁到感知的时刻，阴影是特权阶段。

八、哪些组合会互相抵消

四个因素不是加法关系。读完六组实验，我整理出四种会互相抵消的组合，每一种都有原文数字支撑。

组合	会抵消什么	证据
更强模型 × 没有结构重建	分数天花板	最好的设置 77%，人类 82%；剩 4.1% 的用例 agent 解不掉
特权课程 × 依赖精度的策略	迁移后的全部收益	Tool Hanging 63→16，Kitchen 62→33
更细反馈 × 感知类错误	整类错误不可见	per motion 下 USB-C 0%、Cable Routing 0%
更多迭代 × 反馈不变	第二轮增益衰减	十行里九行第二轮增益小于第一轮

更强模型补不了缺失的结构

Opus 5.5 的零样本 67% 是全表最高，两轮后 77%，也是全表最高。但它离人类策略的 82% 还差 5 点，而按论文的差距分解，剩下的部分集中在空间推理、操纵规划和碰撞感知的运动规划上。换句话说，换更强的模型能把“能写的代码”这一层拉满，拉不动“怎么把几何关系写进策略”这一层（图 9）。

图 9｜人类策略能解的那部分用例是被什么一层层解掉的：零样本 7.3%，叠一轮自学习到 16.1%，加更强的模拟反馈 10.5%，加人类任务技能 27.0%，换更强模型 35.0%，仍有 4.1% 解不掉。

迭代本身不是解药

表 1 的十行里，有九行第二轮的增益小于第一轮：Opus 5 xhigh 是 +19 然后 +10，high 是 +21 然后 +19，low 是 +10 然后 +7，DeepSeek V4 是 +5 然后 +1，Sonnet 5 是 +1 然后 0。唯一的例外是 GPT-6 Sol（+8 然后 +12）。

失败谱系的迁移更能说明问题。从零样本到两轮后，感知类失败从 11% 降到 7%、抓取从 13% 降到 11%、到达从 9% 降到 5%、程序 bug 从 3% 降到 0%；同时放置类失败从 31% 升到 39%、步数预算耗尽从 8% 升到 14%。论文的解读是：变好的程序失败得更晚。这不是“问题被解决”，是“问题被推到更难的地方”。

而放置与步数预算这两类增长中的失败，大多不带错误信息，只能从中间结果往前追——这正好又回到 Finding 3 的归因问题。

九、这几个结论怎么用到自己系统上

先补反馈的单位，这是最便宜的一刀

如果你现在只有一个“这条轨迹失败了”的日志，第一步不是换模型，而是把报告切到语义技能这一级：每个技能进出时的状态、返回值、命名出口。代价是改渲染器，不是重训模型。

收益的参考数字是 Tool Hanging 的 7% 到 90%、Gear Meshing 的 10% 到 70%、总体 25% 到 52%。这一刀的性价比在全部实验里最高，因为它不动模型、不动技能库、不动任务。

再补空间表示里的关系

第二步是把状态写成关系，而不是写成坐标。世界坐标是必要但不充分的：论文里那一档总体 30%，USB-C 上 0%。真正起作用的是物体坐标系下的相对量（长轴偏角、爪子偏移）和零件级的功能几何（环的半径、环在不在柄上）。

这一步的收益是总体 30% 到 52%，Tool Hanging 25% 到 90%。它的实现成本比第一步高，因为你要为每个任务定义零件和关系；但它是可以按任务逐个加的，不需要一次做完。

模型和技能放在后面

按论文的差距分解，真正把人类可解用例吃下来的大头是“人类任务技能”（27.0%）和“更新的模型”（35.0%），迭代自学习本身只占 16.1%，模拟反馈再补 10.5%。这个排序和很多团队的直觉相反：大家往往先调模型、先扩技能库，最后才去改反馈。

我的读法是：这三件事不是替代关系，而是顺序关系。反馈单位不对的时候，你换更强的模型，它拿到的是同一份含糊的报告，只能把同一处代码改得更稳；空间表示不对的时候，你扩技能库，agent 会用更多技能去绕开它推不出来的几何关系。先把信息翻译成可归因的形式，模型和技能才有放大的空间。

哪几个“加量”是伪需求

按原文的消融，至少四件事不值得先做。

• 把反馈做到每个机器人动作。总体 36% 低于按技能报的 52%，而且在感知类失败上直接归零。
• 无脑加迭代轮次。十行里九行第二轮增益更小，且失败会往更晚、更隐蔽的地方迁移。
• 单纯扩大技能库的覆盖面。Kimi K3 用了最大份额的通用技能，两轮只涨 7 点；弱模型用得多不等于用得好。
• 无差别地加特权信息。它在 Threading 上值 84 点，在 Tool Hanging 上亏 47 点，取决于特权阶段学到的策略在视觉下还成不成立。

十、局限与失效场景

只在仿真里，而且是干净的那一档

论文自己写明了假设：有可靠的物理仿真器，训练与评测在同一任务类内，机器人与传感器配置固定，场景变化有界。实验主要用 VABAR 的 Level-1 与 Level-2，环境不杂乱、动作相对简单。sim-to-real 迁移、新本体泛化都不在范围内。

这一条对读者的约束很实际：它给的所有数字都是“仿真留出实例”上的，不要直接外推到真机。

单一 harness、单一提示词、单一技能库版本

四个旋钮之外的东西全部冻结了，这是受控实验的优点，也是它的边界。论文在局限里承认，提示策略与 harness 配置没有覆盖；为了做受控对比所需的 rollout 数量太大，这些因素留给后续工作。技能库锁定在 open-robot-skills 的一个 commit 上（早期三个运行用的是另一个 commit，脚本有三处不同）。

榜单是时间快照

模型一栏里全是带日期的新版本。论文自己说这是一次时间快照，新模型出来就要更新评测。所以“Opus 5 两轮 74%”这种数字，半年后大概只能当历史记录读。

统计口径要跟着读

主实验每个设置是每任务 5 次独立运行，报的是这 5 次的均值；附录里另给了一张带标准差的表，人类那一行没有运行、直接取 VABAR 的 Level-1 结果。课程实验每任务只有 3 次运行，曲线上的带子是三个种子复制的标准误。这两个量级都不足以支撑“某两个设置之间有 2 个点的差异”这种结论。

还有一个容易读错的点：反馈实验的所有臂都从参考运行那个 3% 的初始策略出发，所以表 2 那四行不能和表 1 的绝对水平直接比，只能在同一张表内部比。

失败最后落在哪里

两轮之后的失败谱系是：放置 49%、规划与逆解 13%、步数预算 10%、感知 8%、自检中止 7%、抓取 6%、到达 5%。放置这一类在全篇都是最大的一类，而它恰恰是“上游决策的后果在末端才显形”的那一类——这既是这篇论文的结论，也是它没有解决的部分。

十一、落地判断：什么团队该试，什么团队别碰

值得试的三个信号

• 你的任务已经有多阶段结构，而且失败经常“报在这里、错在那里”。这是这篇论文最适配的场景，收益也最大。
• 你有可靠的仿真器，能在同一批实例上重复跑。没有这个前提，就没有配对比较的基础，所有结论都会退化成传闻。
• 你的瓶颈是策略的几何正确性，而不是感知精度或硬件稳定性。论文里提升最大的几个任务，都是几何关系被显式化之后立刻见效的。
• 你已经有一个能跑的 harness（预跑、验证、留出三分）。这篇论文的一半结论都建立在“评测口径干净”这件事上。

别碰的三种情况

• 你在做真机在线自学习，且每次试验成本很高。这篇论文的每个结论都建立在每设置 25 次运行、每次 4 训练 10 留出的规模上，真机上跑不起这个量级。
• 你的失败主要表现为感知不到、抓不稳，而不是“决策链上游错了”。反馈粒度与空间表示这两刀切的是归因与几何推理，切不动传感器。
• 你指望用课程解决收敛问题。它在 7 个任务里 4 个变好（Threading、Mug Cleanup、Coffee、USB-C）、3 个变坏（Tool Hanging、Kitchen、Gear Meshing），当默认配置是有风险的。
• 你需要跨本体或换机器人。全篇固定同一套机器人与传感器配置，这一条完全没有数据。

一周能跑的最小验证

如果你想验证“反馈粒度”这一条在自己系统上成不成立，最小可行的做法是这样五步：

1. 选一个多阶段、且失败会“报在末端”的任务，先确认它有明确的语义步骤划分。
2. 固定模型与技能库，只改反馈渲染器，做三档：per episode、per motion、per skill。
3. 每档 5 次运行、每次两轮、每轮 4 个训练加 10 个留出，留出集全程不回灌。
4. 记录三档的留出成功率，同时记下每次编辑的结局类型，看它是不是在“修好且涨点”这一格。
5. 如果三档之间的差小于表 2 里看到的那十几点，说明你的瓶颈不在这里，去查空间表示或技能接口。

这个规模大约是一篇论文里单个设置的量级，一周内能跑完，而它足以告诉你该不该继续往这个方向投。

术语速查

术语	含义
S0 / Sg / Sτ / SA	底层工具 / 通用技能 / 人类专家任务技能 / agent 自写代码，四者构成技能库
SKILL.md	每个技能的说明文件，写适用条件、状态流、声明工具与具名出口
πk	第 k 轮迭代后的策略，以可执行代码表示
@k	前 k 轮反馈内达到的最好留出成功率
per skill / per motion / per episode	反馈的三种时间粒度：按语义技能、按机器人动作、按整条轨迹
零件标注	在物体坐标系之上再给出功能几何，如环的半径、环是否在柄上
特权状态	仿真器内部精确几何，视觉策略拿不到
课程	先特权后感知的训练排布，本文用 8+8 或 5+5 轮
preflight	不计分的预跑 episode，用来区分“跑不起来”与“跑起来但失败”
留出实例	与训练、验证都不重叠的评测实例，从不回灌给 agent
rollout	一次完整的策略执行与评分

回到开头那个系统形态。这篇论文没有提出新方法，它的贡献是把四个旋钮拆开，量出各自的量级，并且诚实地报出了大量“看起来该有用、实测没用”的结果。对做工程的人来说，这类负结果比又一个 SOTA 更值钱：它告诉你哪一刀砍下去会有反应，哪一刀只是把账单变长。