内容摘要
视觉模仿策略既要识别操作相关区域，也要在多个候选物体中选中语言指定目标。作者提出ResCue，将语言目标转为掩码，以显式空间提示连接目标定位与动作学习，同时保留RGB场景信息。
其关键是独立编码掩码并进行空间残差融合：语言解析器提取目标描述，SAM 3生成掩码；提示特征在后续视觉处理及池化之前，与RGB空间特征逐位置相加。作者以扩散策略（DP）实现该方法，定位模型保持冻结，训练和评测均使用预测掩码。
作者报告，15项仿真任务的平均成功率为56.5%，DP和π₀分别为33.1%和40.7%；三项真机双臂任务为60.0%，π₀为31.7%。相同掩码的消融中，残差融合优于像素叠加、输入拼接和池化后融合；测试时换成错误目标掩码，成功率降至24.6%。这些比较限定于论文协议：基线使用相同任务数据、按官方方案微调，仿真每任务评测100回合，真机20次；各任务单独训练策略，自定义仿真评测仍使用训练物体。
点评
作者的受控消融支持：除了获得目标掩码，掩码与RGB特征的融合位置和方式也影响操作成功率，为连接预训练目标定位与动作学习提供了一种接口。
实验仅验证DP，不能据此外推跨策略架构的有效性或通用操作能力。作者报告透明、强反光及严重遮挡物体的掩码不稳定，SAM 3推理延迟也限制动态场景中的快速响应。
版本与核查范围
版本 2606.25360v2 · 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 #abstract1.1；#S1.p4.1；#S2.SS1.p2.1；#S2.SS2.p1.3；#S2.SS3.p2.1；#S3.SS2.p1.1；#S3.SS3.p2.1；#S3.SS4.p1.1；#S3.SS4.p2.1；#S3.SS5.p3.1；#S3.SS1.p6.1；#S2.SS1.p1.1