内容摘要
机器人学习开抽屉放方块、插管等任务时，成功的人类示范也可能包含停顿和绕路；直接模仿会一并学到这些低效动作。作者提出优势加权潜空间引导（AWLS），在已有策略上做离线后训练，让策略更偏向示范中的较好动作，不更新原有动作解码器。
方法只训练一个根据当前观测修正潜在噪声输入的模块。“优势”表示示范动作相对当前状态基准的估计价值，经尺度归一化后，仅作为动作重建训练的权重，不让价值评估器的梯度直接引导策略。作者还通过离线噪声扰动检查，选择仍能响应噪声变化的预训练检查点。部署时移除价值评估器，保留一次解码生成动作片段。
作者在五项真机任务中，每项使用70条遥操作示范训练，每种策略各测试20次；成功要求无人干预完成全部阶段。采用MeanFlow解码器的AWLS合计成功65/100，冻结基座为45/100。按任务分层并校正多重比较后，只有相对冻结基座的总体提升显著，相对其他后训练基线的优势尚属提示性结果；后训练阶段未采集真机执行数据。
点评
为已有单步操作策略提供一种保留解码器的离线适配路径；部署端无需保留价值评估器，也不引入迭代去噪或候选动作筛选。
证据来自作者论文实验，不是独立复现。方法依赖价值评估器有效排序，只能偏向数据中已有且冻结解码器可达的行为，不用于创造新技能；重建训练也可能降低动作多样性。
版本与核查范围
版本 2610.27736v1 · 原文定位与程序检查、独立上下文模型复核；不代表独立研究复现。。依据已核查材料整理；未运行模型或机器人。
原文与定位
- 原文链接 figcaption[78]；#S1.p1.1；#S1.p3.1；#S3.SS2.p1.1；#abstract1.1；#S3.SS4.p1.1；#S3.SS4.SSS0.Px1.p1.1；#S4.SS3.SSS0.Px2.p1.1；#S4.SS3.SSS0.Px3.p1.1；#S4.SS3.SSS0.Px4.p1.1；#S1.p4.1；#S6.p1.1