内容摘要
问题：机器人策略抓空之后往往毫无察觉，会照着"手里有东西"的轨迹把动作跑完。作者在 RoboCasa 的拾取放置任务上做了一组对照实验：由预言机（oracle，按模拟器判定标出失败点）在失败处中断执行，再给三次纠错机会。结果重采样、用语言说明错在哪、用恢复数据微调三种办法都几乎无效，纠正成功率不足十分之一；失败之后再靠打分器挑出成功候选同样失效。
方法：Spotter 把角色对调——具身模型持续主导执行，本地轻量筛查器逐块筛查，只把可疑片段交给并行运行的裁判（Qwen 或 GPT-6 Astra）；错误确认后裁判才介入，用可枚举的运动基元（移动、抬升、旋转手腕、开合夹爪、退回位姿等）拼出修复计划，并先说出"预期看到什么"，在下一个受监督窗口只做观察。修复不回滚模拟器，而是把手臂退回已记录的位姿，因此整套方法可以搬到真机。
结果：同等步数预算下，RoboCasa 上 Cosmos Policy 达 73.5%、π0.5 达 71.8%，比裸策略高 5.6 和 7.5 个百分点，增益集中在拾取放置任务（+10.3、+9.0）；RoboTwin 2.0 的 Hard 档上 π0.5 从 47.2% 升到 57.0%（Qwen 裁判 51.2%）；真机 Franka Research 3 三个任务平均从 53%（16/30）升到 83%（25/30）。成功的 Qwen 回合只比裸策略多 13–16 秒。分析显示，裁判介入的回合约 85% 确实是裸策略会失败的场景，单次修复纠正其中约 10%–20%。
点评
对机器人本体软件工程师，最有用的是把"发现错误"和"修好错误"分开评估：即使预言机已定位失败点，策略三次重试仍有九成修不好，失败后打分器也挑不出正确候选，所以只在策略内部加重试或采样打分指望不上，单纯把步数预算放大到 1.8 倍也只带来 1.2 和 1.8 个点。纠错逻辑可以整体放在策略之外：本地轻量筛查器负责召回，通用模型只裁决可疑片段、用可枚举的运动基元修复，再用一个"预期校验"窗口确认是否真修好；延迟代价也小——成功的 Qwen 回合只比裸策略多 13–16 秒。
可核材料只有作者自评的 arXiv 预印本正文，未见独立复现；主要结果来自仿真，真机验证只有 3 个任务、共 30 次试验（Franka Research 3），样本很小。增益集中在拾取放置，其余操作机构任务增益小得多（Cosmos Policy +3.3、π0.5 +6.7）。首次执行就把场景破坏掉的错误仍无法恢复，作者认为需要世界模型一类方法。裁判可用 Qwen 或 GPT-6 Astra，两者差距明显（RoboTwin 困难档 51.2% 对 57.0%），部署时需自行评估成本与收益。
版本与核查范围
版本 2609.36808v2 · 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 #S3.SS1.p7.1；#S3.SS1.p12.1；#abstract1.1；#S3.SS2.p3.4；#S3.SS2.p5.1；#S4.SS2.p1.1；#S4.SS2.p1.1；#S4.SS3.p1.1；#S4.SS4.p2.1；#S5.p2.2；#S6.p1.1；#S4.SS2.p1.1