内容摘要
视觉-语言-动作模型（VLA，把语言指令直接转成机械臂动作）有个上线后才暴露的盲点：指令在微调数据里缺少示范时，模型会忽略指令、改做练熟的动作、挑训练中最常见的物体，作者称之为反事实失败。只喂图像、不给语言时，OpenVLA-OFT 与 π0.5 在 LIBERO 上的平均成功率仍有 69.1% 和 51.7%；撤走场景中的训练任务物体后，反事实指令命中率 39.0%→64.4%、成功率 20.0%→40.0%。
为此作者推出 LIBERO-CF：在 LIBERO 场景布局不变的前提下换成同样可行的新指令，覆盖不同物体实例、原本只作背景的物体、长程任务以及微调时未见的分布外物体。基线在反事实指令上几乎不跟随：OpenVLA-OFT 命中率仅 4.7%、成功率 0.4%。
解法是 CAG（反事实动作引导）：推理时并行走两条分支，一条吃语言、一条不吃语言，把两者动作之差放大后输出，不需要改基座架构或预训练权重。免训练版 TF-CAG 复用现有模型、不额外训练；改配独立视觉-动作（VA）模块的 VA-CAG 提升更大。π0.5 在 LIBERO-CF 上：TF-CAG 平均命中率 30.8%→40.5%，VA-CAG 到 46.3%，成功率 13.2%→21.7%；真机上 VA-CAG 平均命中率 +9.4%、成功率 +17.2%。
代价是多跑一条分支：延迟低于基线两倍、每个 15 步动作块约 130 毫秒，VA-CAG 还需另训一个只看图像的分支（8 张 H100 上 LIBERO 约 3 小时）。作者也承认，如果基座本身不具备某项技能，动作空间里的引导补不出来。
点评
对做机器人本体软件与部署的工程师，这篇把“模型到底有没有在听指令”变成一个可测项，并给出不改基座结构与预训练权重、只在推理期生效的补偿手段；代价是每次多一条推理分支，以及 VA 版本需要额外训练一个只看图像的模型。
证据只有作者自报的论文结果（arXiv v3 修订稿），滚动列表与更新目录只能反映版本和时间，不能替代原文核对，也未见独立复现。结论集中在 LIBERO 仿真与作者自建的真机场景，且基座完全不具备的技能无法靠引导补上。
版本与核查范围
版本 2602.17659v3 · 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 #S1.p1.1；#S4.SS1.p2.1；#S4.SS1.p4.1；#S1.p3.1；#S6.SS1.p1.1；#abstract1.1；#abstract1.1；#S6.SS1.p2.1；#abstract1.1；#S7.SS3.p2.1；#S7.SS3.p2.1；#S8.p2.1