MotorMind 精读

问题 · 诊断 VLM 的三种局部决策 · §3 · 附录 A

通用 VLM 最不擅长的，恰好是「下一步怎么动」

VLA 在训练分布内表现很好，换物体、换布局、换任务就要再收数据微调，也没法直接吃到通用 VLM 的进步。另一条路是「智能体式」机器人：VLM 做规划，感知、定位、动作生成交给外部模型（学到的动作专家、SAM3、技能库、运动规划器、代码智能体）。论文问的是：能不能让通用 VLM 自己像遥操作员那样，看着画面直接下指令、根据反馈修正，而不靠这些外部模型？

作者先拆出 VLM 当策略时要反复回答的三个问题：下一步该做什么（动作选择），刚才那一步有没有推进子目标（进度判断），子目标完成了没有（完成判断）。他们从 LIBERO 专家示范里构造了 240 道题，每类 80 道。

原文图 2：三类诊断题示例，动作选择、进度判断、完成判断 — **原文 Figure 2**三类题各一个例子。动作选择：给当前场景图和腕部图，子目标「把手里的碗放到盘子上并松开」，答案是一个原语（这里是 open gripper）。进度判断：给前后两张场景图，问是否推进了「把盘子推到炉子正前方」，二分类。完成判断：给当前两视角，问「拉开中间抽屉」是否完成，二分类。

六个 VLM 的诊断结果（表 1）

准确率 %。悬停看单次查询延迟。虚线是随机猜的水平：进度和完成是二分类（50%），动作是 14 选 1（约 7%）。

动作选择进度判断完成判断

原表数字（表 1 与附录表 A2 动作类型拆分）

解读和随机猜比，结论会不太一样

论文的结论是「动作选择最弱」。但三类题的答案空间差别很大：动作题是 6 个平移 + 6 个旋转 + 2 个夹爪状态共 14 选 1，进度和完成都是是/否。按随机水平校正后，Qwen3.8-Flash-Next 的动作选择（36.25%，随机约 7%）反而是三项里离随机最远的；进度判断 55.0% 只比 50% 高 5 个点，Hy-Embodied-VLM-1.0 的 43.75% 低于随机。论文自己也提醒「答案空间不同，这些百分比不代表内在难度」。附录的拆分更说明问题：Qwen 在 19 道旋转题上 0 / 19，平移题 23 / 48。

由此得到三条设计原则：

动作选择不可靠 → 只提短批次的动作，执行后看结果再修正；
进度和完成判断也不可靠 → 把模型判断和实测的机器人反馈结合，反复检查；
GPT-6 Astra 三项都最好，但每次查询 8.7 秒，Qwen3.8-Flash-Next 0.28 秒 → 默认用快的模型，反馈频率也是决策质量的一部分。

疑点诊断题由 Codex 生成，人类只做审核

附录写明：Codex 读取专家轨迹和仿真器的私有状态，挑选时间窗口、把任务拆成局部子目标、生成题目和参考答案，再由一位人类专家审核修正。去重后有 138 个不同的子目标文本。这能保证规模，但题目的分布和难度由一个模型决定，被测的 GPT-6 Astra 与出题的 Codex 是否同源也没有讨论。

方法 · 架构 · §4.3 · 附录 B.1

同一个 VLM，按上下文和输出权限分成几个角色

原文图 3：MotorMind 总览，Planner、Executor、Controller、Monitor、Verifier、Memory 之间的数据流 — **原文 Figure 3**任务指令先交给 Planner 拆成「子目标 + 成功判据」。Executor 针对当前子目标提出一个动作批次，Controller 把它变成机器人运动。执行中 Monitor 看新的观测，必要时发出 Alert，取消尚未执行的命令（图中 Action3 ×）。执行结束后 Verifier 评估子目标结果，决定重试（回 Executor）、成功推进，或重规划（回 Planner）。Memory 汇总执行证据与验证结果。

Planner / Replanner

拆子目标，写成功判据

把一句话任务拆成有序子目标，每个子目标包含意图的状态变化、目标描述和成功判据（比如「拿起」需要证据表明物体被夹住）。执行证据要求时，只重写还没完成的部分。

Executor

只管当前这一个子目标

读当前图像、实测机器人状态和最近几轮历史，输出一个结构化提议：对子目标的评估、是否完成、一个可选的动作批次、预期结果、置信度。它看不到整个规划问题。

Controller（不是 VLM）

确定性执行，并记录实际发生了什么

校验每条命令，把参数解析成笛卡尔运动，回报实测位移和夹爪结果。案例图里叫 Gate 的检查也属于这一层：比如离箱沿 68 mm 时拒绝继续下降。

Monitor（Motion Supervisor + Scene Monitor）

只能喊停，不能出动作

后台线程周期性地、以及每个运动步之后检查新观测。输出没有动作字段，只能发信息性告警或 STOP。附录的提示词把它拆成两个：一个只管当前这段运动要不要停，一个只管整体任务有没有偏。

Verifier

不必同意执行者的说法

看执行前后的画面和机器人自报的状态，判断这一步是否真的发生。能直接测量的结果（夹爪丢失、确认释放）可以先于模型判断定案。提示词里写着：「你不是那个机器人，没有义务同意它。」

Memory Manager

把日志压成一张便条

输入是任务、当前计划、上一版便条、此后每个动作一行的日志（含实测数值），输出新的便条给规划和验证用，永远不写动作。另有一个 Target Locator 角色只负责报告桌上有什么、在哪里。

解读「五个角色」其实是八份提示词

正文说五个角色（Planner、Executor、Monitor、Verifier、Memory），附录列出的提示词有八份：Planner、Replanner、Executor、Motion Supervisor、Scene Monitor、Verifier、Memory Manager、Target Locator。角色之间的边界靠两样东西维持：给每次调用的上下文不同，输出的 JSON 字段不同。这是 MotorMind 和「一个大提示词让 VLM 自己全包」的主要区别。完整提示词论文说放在补充材料，arXiv 版只有摘录。

方法 · 中层动作表示 · §4.2 · 附录 B.2–B.3

让 VLM 说「向哪个方向、走多远」

MotorMind 不让 VLM 输出关节角，而是在机器人基座坐标系里暴露三种参数化原语：move（一个方向词或基座轴 + 正的毫米距离）、rotate（方向或轴 + 角度）、gripper（开/关，可选宽度），另有 wait 和 home。一个批次是 𝒜_t = (a_t,1, …, a_{t,K_t})，a_t,k = (τ_t,k, η_t,k)，τ 是类型，η 是参数。下面这个提议按附录 B.3 的字段拼成，动作数值取自原文图 6 案例里 Executor 的第一批动作：

// Executor 提议的结构（字段名见附录 B.3；数值取自案例图 A06）
{
  "assessment": "...当前子目标 over_blue_cube 的进展判断...",
  "done": false,
  "command": {
    "actions": [
      { "type": "move", "direction": "forward", "distance_mm": 19 },
      { "type": "move", "direction": "left",    "distance_mm": 152 },
      { "type": "move", "direction": "down",    "distance_mm": 122 }
    ],
    // 可选默认项：平移/旋转速度、接触行为、备注
  },
  "expect": "...预期执行后看到什么...",
  "confidence": ...
}

具体的键名（如 distance_mm）是我们为了可读写的，附录只说明「一个方向词或基座轴、一个正的毫米距离」。

定位：VLM 自己画框，几何来算

需要定位时，VLM 在图像上给目标画带标签的边框；多个兼容的固定相机视角做三角化，近距离时用腕部相机细化。得到的目标偏移、不确定度和视角间分歧，用和动作同一套基座方向词交给 Executor。所以「不用 SAM3」的意思是不用外部分割模型，但仍依赖标定好的多相机和几何计算。

「意图的运动」不等于「达成的运动」

每次新提议都会拿到新观测、实测反馈和最近执行历史。完成信号只是请求评估，不等于成功。模式错误或转换错误会先退回给提议者改正，再执行。

解读中层动作把哪些事交还给了 VLM

VLA 学的是从像素到关节的连续映射；MotorMind 让 VLM 决定动作的类型和幅度，把逆运动学、轨迹插值、安全检查留给控制器。好处是可解释、可校验、可换本体（论文在 LIBERO 的 Franka 和真机 xArm6 上用同一套接口）。代价是 VLM 必须自己估距离：诊断里 Qwen 旋转题全错，失败分析里「定位」错误占比最大，案例里 Executor 把定位工具说的「向右 152 mm」写成了「向左」。

方法 · 异步调度 · §4.4 · 原文图 6

主线是串行的，监控和记忆并行

串行主干。每个子目标内：观测 → 必要时定位 → 构造 Executor 上下文 → 请求提议 → 执行批次。下一个提议依赖上一个批次的实测结果，验证和重规划也跟在证据之后。
并发监控与打断。Monitor 在子目标的整个尝试过程中运行在后台线程。STOP 告警要求取消正在运行的批次：控制器走到下一个动作边界停下，丢弃排队的命令。打断只是「需要重新评估」的理由，不是失败的判决。尝试结束后不等待在途的 Monitor 调用，迟到的回复直接丢弃；下一次尝试用新的监控上下文。
不阻塞的记忆。每次结果评估后向后台写入者请求一份记忆摘要，下一个子目标可以先开始。规划和验证读最近一份已完成的便条，待处理的请求会合并。

回放一次真机执行：「把蓝色方块放进盒子」

事件与时刻读自原文图 6；拖动时间轴或点击事件

原文图 6：真机案例，从规划、失败、恢复到放进盒子的六个阶段 — **原文 Figure 6**上面的回放就是按这张图做的。红框阶段：Executor 第一批动作走到了白碗上方，定位工具的腕部近景其实说方块在右边 152 mm；Monitor 在 31.5 s 和 45.4 s 两次报告「夹爪正对着白碗，不是蓝色方块」。恢复阶段 Executor 向右 304 mm 改正，Verifier 第二次检查才判定完成。

解读这个案例里，监控发现了错误，但没有省下时间

Monitor 在 31.5 s 就报了错，到 45.4 s 又报一次，这个子目标到 48 s 才结束，恢复阶段又用了 89 秒（49–138 s）。按论文设计，STOP 只在下一个动作边界生效，而一个 move 可以有 100 多毫米、持续好几秒。整段 266 秒里，真正搬运方块（take → put）大约 127 秒。论文没有报告 Monitor 的告警数、误报率，也没有比较「有/无 Monitor」或「同步/异步」。

实验设置 · §5.1 · 附录 C

LIBERO-PRO 三个套件，和两类基线

基准：LIBERO-PRO 的 Goal、Spatial、Object 三个套件，各 10 个任务。基础设定是原始未扰动回合；扰动设定有 Semantic（语言措辞）、Object（物体）、Position（位置交换）、Task（目标改变）四种。按失败分析图，基础设定共 60 个回合，扰动设定共 240 个回合，即每个套件每个条件 20 个回合。成功由环境的谓词判定。
MotorMind：骨干 Qwen3.8-Flash-Next（FP8），不用 LIBERO 示范，不做任何策略微调，默认执行预算 450 秒。
直接 VLA 基线：π0.5（OpenPI libero_base）、MolmoAct2、OpenVLA / OpenVLA-OFT、GR00T N1.5，分「微调」（LIBERO 适配权重）和「零样本」（基础权重 + 接口适配）两种配置，权重都不再更新。
智能体基线：CaP-X（GPT-5.6-terra 与 Claude Opus 5 各生成 4 份候选程序，调用机器人工具，零样本 / 5 轮 / 10 轮）；Harness VLA（Qwen 规划器 + SAM3 + 冻结 π0.5 工具，另有 5 / 10 次探索后冻结的任务记忆）；VoLoAgent（Qwen 规划器 + SAM3/Molmo 感知 + π0.5）。用了 LIBERO 微调 VLA 当工具的智能体被归在「微调」组。
指标：成功率 SR、平均每回合墙钟时间 T̄，以及 TimeScore = 60·s / T̄（单位：百分点/分钟）。例如 66.7% 用时 223.4 s，得 17.91。

原文图 1：上为真机放电池的六个阶段，中为异步泳道示意，下为基础与扰动任务的成功率柱状图 — **原文 Figure 1**上：把电池放进盒子的六个阶段，标出每一步由哪个角色负责（第 3 步 Monitor 异步检查抓取稳定性）。中：执行、监控、记忆三条泳道，Monitor 的 STOP 让排队的动作作废，转入 Verify 和 Retry。下：论文挑出的四个柱子，零样本的 CaP-X 与 MotorMind，微调的 OpenVLA-OFT 与 π0.5。

结果 · §5 · 表 2–5

零样本里遥遥领先，和微调策略比还差一截，而且慢几十倍

主结果：成功率 vs 每回合时间（表 2）

每个点是一种方法配置

横轴是对数刻度的平均墙钟时间。虚线是与 MotorMind 相同 TimeScore 的等值线（原文 Figure 4 的画法）。Harness VLA 的 S2 配置只有扰动结果。

MotorMind直接 VLA · 微调直接 VLA · 零样本智能体 · 用微调 VLA 当工具智能体 · 零样本

原表数字（表 2，逐套件与逐扰动）

MotorMind 基础 66.7%（Goal 45 / Spatial 75 / Object 80），扰动 53.8%（Semantic 58.3 / Object 46.7 / Position 51.7 / Task 58.3）。零样本 VLA 全部接近 0，零样本智能体里最强的 CaP-X 10 轮是 13.3% / 19.2%。在 Position 和 Task 两种扰动下，MotorMind（51.7、58.3）明显高于微调 VLA（π0.5 36.7、23.3），因为后者记住了训练布局和训练目标。

疑点「与微调策略相当」挑了一个最弱的对手

正文写「240 个扰动回合上 MotorMind 53.8%，OpenVLA-OFT 51.2%，差距仅 2.6 个点，表明可以不经任务特定训练匹敌微调策略」。同一张表里，微调 π0.5 扰动 63.3%、MolmoAct2 62.9%、Harness VLA（S1 10 轮）65.4%，都高出约 10 个点。基础设定上 MotorMind 66.7%，三个微调 VLA 在 98.3–100%。另外，零样本 VLA 在 LIBERO 上是 0% 几乎是必然的（没见过这个本体和动作空间），这组基线不构成有意义的比较。

解读时间成本是真实的部署问题

MotorMind 平均每回合 223 秒，微调 π0.5 约 6 秒，相差约 38 倍。TimeScore 只在零样本组内为它加分（17.91 vs CaP-X 2.3–2.9），放到全表它远低于任何直接 VLA（460–1030）。论文写明 TimeScore 不计算力和费用。作为对照，用同一个 Qwen 规划器加冻结 π0.5 工具的 Harness VLA，10 轮探索后扰动 65.4%，但每回合 2,184 秒。

动态与在线改变（表 3）

原文表 3 右图：传送带上的动态推理任务与场景变化 — **原文 Table 3 右图**左：传送带把物体从左往右送，指令要求按描述挑出目标（例如「不是碗的那个喝水容器」，白框处）。右：场景演化的两帧，黄色线是「过线后再抓」一类时间条件任务的标记。

四组在线任务的成功率

括号内为任务数。论文没给每个任务的试验次数。

MotorMindπ0.5GR00T N1.5MolmoAct2CaP-X

Dynamic Reasoning（10）：传送带上的目标靠语义、排除、空间关系或观测历史指定，如「装液体的包装品」「不是红色的杯子」「整个回合里出现的第二个不同食物」。
Scene Shift（10）：指令不变，在接近物体或运送途中把物体或容器挪走 1–3 次。
Dynamic Manipulation（5）：传送带以 1.5 mm/s 单程移动，按名字抓取。
Prompt Shift（5）：到达物理触发点后替换指令，例如「改为放到盘子上」「先放下、打开炉子再继续」。

协议上，规划和等待推理的墙钟时间会推进仿真（每 0.05 秒非动作时间走一步，机器人接收零运动指令），所以 VLM 的延迟会真实地让传送带走远。每回合预算 600 秒。

疑点样本很小，命名前后不一，评判有漏洞

5 个任务的两组，所有方法的分数都是 20% 的整数倍，10 个任务的组都是 10% 的倍数，很可能每个任务只跑了一次。附录也写「应视为压力测试，而不是精确的定量证据」。附录里四组叫 Interactive、Pure Dynamic、Dynamic Reasoning、Prompt Change，正文改叫 Scene Shift、Dynamic Manipulation、Dynamic Reasoning、Prompt Shift。Prompt Shift 第 3 题「先放到桌上、打开炉子并保持开着、再放到盘子上」的判定只检查最终放置前炉子是否开过，不检查中间那次放到桌上，也不检查结束时炉子是否还开着（附录自述）。这组里 CaP-X 与 MotorMind 同为 60%。

真机 xArm6（表 4）

直接放置与人为干扰

3 种物体 × 2 种容器 × 2 种设定，每格 10 次；另有 4 个语义理解任务各 5 次。RealSense D455 相机，xArm6 官方 SDK，不做任何示范或微调。

直接放置人为干扰（执行中有人挪动或替换物体）

直接放置平均 98%（碗 97 / 盒 100），人为干扰 92%（碗 93 / 盒 90），合计 95%。语义理解四个任务（指令用类别、颜色或空间关系指代目标，例如「食物」「同样颜色的」「中间那个」）为 80%、100%、100%、60%，论文没有给出每个任务的具体指令。真机任务都是单物体拾放，比 LIBERO 的任务简单得多。

骨干与消融 · §6 · 附录 D

换更强的 VLM 能涨分；拿掉规划器直接归零

骨干对比（原文 Figure 5 左）

LIBERO-PRO 三个基础套件，单种子。左：成功率；右：每回合墙钟时间。

Qwen3.8-Flash-NextGPT-6 Sol（中等推理强度）

疑点同一个 Qwen 配置，图和表给了两套数字

Figure 5 里 Qwen 的三套件是 Spatial 70 / Object 80 / Goal 50，平均 66.7%，时间约 210 秒；主表是 Goal 45 / Spatial 75 / Object 80，平均也是 66.7%，时间 223.4 秒。按百分比看，图是每套件 10 个回合，表是 20 个。附录的执行预算表里 450 秒那一行（50 / 70 / 80，210.0 秒）和图一致。所以骨干对比、组件消融、预算消融用的是另一次 30 回合的运行。tex 源码里有一段编译时隐藏的作者批注，原话要求「让数字与表 2 一致……说明两个骨干是否在同样的回合上运行」，并提醒 GPT-6 Sol 和诊断里的 GPT-6 Astra 是不同模型、不要说成 scaling law。正式版没有处理。

组件消融（原文 Figure 5 右）

相对完整系统 66.7% 的变化。悬停看时间和 TimeScore。

去掉重规划掉到 36.7%（−30.0），去掉 Verifier 60.0%（−6.7），去掉 Planner 0.0%。按 30 个回合算，−6.7 是 2 个回合，−30.0 是 9 个回合。

疑点消融测的是「角色」，不是「调度」

论文的卖点之一是异步调度，但没有跑同步版本。附录把 VoLoAgent 称为「异步 harness 的消融」，可它是另一个系统（用 π0.5 当执行器、带 SAM3），差别远不止调度方式。tex 里隐藏的作者批注同样要求「既然没跑同步版本，就明说消融测试的是角色而不是调度」，并指出「无 Planner 得 0%」需要说明 Executor 此时拿到的是什么输入、有没有产生有效动作，否则只能说明这个设置坏了，不能说明规划必不可少。

执行预算（附录表 D1）

每回合最长允许的墙钟时间。默认 450 秒。

原表数字（附录表 D1）

放宽到 900 秒成功率反而降到 50%，3,600 秒是 60%。作者的解读是：额外时间本身不会带来成功，harness 必须用新观测判断何时该继续、何时该停。每个套件只有 10 个回合，这些波动（±1–3 个回合）也可能只是噪声。另一个细节：3,600 秒设定的平均时间（296.4 s）比 900 秒设定（320.0 s）还短。

失败分析 · §6 · 附录 E

错得最多的是「看错东西」，其次是「过早宣布完成」

VLM 决策错误的计数（原文 Figure 7）

每种设定 60 个回合的原始计数（一个回合可以有多个错误）。图中只给出了定位和完成两类的数字，其余三类合并为「其余」，由总数减出。

定位 Grounding完成判断 Completion其余（规划 / 进度检查 / 失败监控）

原文附录图：基础与扰动设定下回合的失败、恢复与最终结局桑基图 — **原文附录 Figure（物理失败分析）**左为基础 60 回合，右为扰动 240 回合。基础：57% 无失败，10% 失败后全部恢复，最终成功 67%；最终失败里「卡住」（Stuck）17%、掉落 7%、空抓 5%、放错 3%、拿错 2%，结局全是超出预算。扰动：44% 无失败，10% 恢复，成功 54%；卡住 18%、空抓 12%、放错 8%、拿错 6%、掉落 2%；结局是超出预算 38% 和「错误地宣布完成」（False done）9%。

解读恢复机制贡献了约 10 个点，最大的失败是「卡住」

两种设定里都是 10% 的回合「出过错又恢复了」，这大致就是 Monitor + Verifier + 重试这套机制带来的增益上限（没有它们，这些回合不一定都失败）。最终失败里占比最大的是卡住（17–18%），即反复提出无效动作直到预算耗尽，对应论文说的「动作知识不足」。扰动设定下另有 9% 的回合是 VLM 宣布完成而谓词为假，说明 Verifier 仍会被骗。论文的结论是这些错误会随 VLM 变强而减少，目前的证据只有骨干对比那一组。

读懂它

这篇真正说明了什么

关键 insight

1. 接口的粒度决定了 VLM 能不能直接上手

VLM 输出不了可用的关节角，但能说「往左 15 厘米」。把动作空间换成 VLM 能表达的粒度，加一个确定性控制器，零样本 LIBERO-PRO 就从接近 0 到了 66.7%。这是论文最核心、证据也最充分的一点。

2. 角色拆分靠「权限」而不是「能力」

所有角色都是同一个模型，区别在于看到什么、能输出什么。Monitor 没有动作字段，所以不会悄悄替换动作；Verifier 被告知「不必同意执行者」。这种用输出模式约束行为的做法，在通用智能体 harness 里也常见。

3. 闭环修正有效，但代价是时间

10% 的回合靠恢复救回来，去掉重规划掉 30 个点。代价是每回合 200 多秒，传送带任务里 VLM 推理的每一秒都会让目标走远。

4. 更强的 VLM 直接换上就能用

换 GPT-6 Sol 从 66.7% 到 83.3%，harness 不用改。这对「VLM 进步能否直接转化成机器人能力」是一个正面信号，但只有一次单种子、30 回合的对比。

容易误解的地方

「零样本」不等于「无工程」。没有任务数据和策略训练，但有八份精心写的角色提示词、标定的多相机三角化、控制器的安全闸（比如离箱沿 68 mm 时拒绝下降）。
「与微调策略相当」只对一个基线、一种设定成立。见结果部分的疑点。
真机 95% 是简单任务上的数字。单个物体放进碗或盒子，物体是方块、玉米、电池；没有在 LIBERO 那种多步任务上做真机。
异步的价值没有被单独测量。所有结果都是「完整系统」或「去掉某个角色」，没有同步对照。

FAQ

为什么默认选 Qwen3.8-Flash-Next，而不是诊断最好的 GPT-6 Astra？

延迟。诊断里 Qwen 每次 0.28 秒，GPT-6 Astra 8.7 秒。一个回合要调用几十上百次 VLM（每个提议、每次监控、每次验证），慢模型会让回合时间和动态任务里的目标漂移都失控。论文后来换的强骨干是 GPT-6 Sol（中等推理强度），Spatial 套件每回合 370 秒，比 Qwen 的 199 秒长不少。

Harness VLA 和 MotorMind 的根本区别是什么？

Harness VLA 也用 Qwen 规划，但真正执行动作的是在 LIBERO 上微调过的 π0.5，加 SAM3 做感知，还在每个任务上探索 5 或 10 次来积累记忆。它的扰动分（最高 65.4%）比 MotorMind 高，但依赖目标域的策略训练和探索。MotorMind 的动作完全来自 VLM 的中层指令。

Monitor 打断以后谁来决定下一步？

Monitor 只发告警。不管尝试是正常结束还是被打断，都进入结果评估：Verifier 结合新观测、实测状态和告警判断子目标是否满足。满足就推进，不满足就重试当前子目标，或把未完成的需求交还 Planner 重规划。

为什么执行预算越长成功率不一定越高？

论文的解释是：多给时间只会让系统在没有进展的情况下继续尝试，有效的 harness 必须自己判断何时停止。数据上 300 秒和 450 秒都是 66.7%，900 秒 50%，3,600 秒 60%，每套件只有 10 个回合，这个趋势本身不够稳定。

局限与疑点

作者承认的，和我们读出来的

论文自己提到的

剩下的失败主要来自三处：视觉定位不准（选错物体或位置）、具身推理错误（误判任务已完成）、动作知识不足（在某些情境下反复提出无效动作）。
诊断题测的是局部视觉决策，不是完整任务的闭环控制，也不能证明某种控制抽象是错误的原因。
动态任务应视为压力测试，不是精确的定量证据。
Prompt Shift 中开炉子那题的判定不完整。
同期工作 Show-Harness 思路相近，只做了方法上的区分，没有实验比较。

我们读出来的

疑点主表与 Figure 5 / 附录 D 是两次不同的运行（每套件 20 vs 10 回合），同为 66.7% 掩盖了逐套件的差异；tex 中作者批注已指出。
疑点「匹敌微调策略」只对 OpenVLA-OFT 的扰动分成立。
疑点没有同步版本，异步调度的贡献未测；VoLoAgent 不是合格的消融。
疑点「无 Planner 0%」没有说明 Executor 收到了什么，可能只是设置失效。
诊断题由 Codex 生成；随机水平校正后「动作最弱」的结论不成立。
每回合约 223 秒，是微调 VLA 的约 38 倍；没有报告 VLM 调用次数和费用。
动态任务很可能每任务只有 1 次试验；正文与附录的组名不一致。
真机只有单物体拾放；语义理解四个任务的指令未公开。
骨干对比只有 1 个种子、30 个回合。

放到专题里看

把「推理 → 子目标 → 动作」全部放在模型外面

在 Harness for Robotics 专题里，MotorMind 是「结构化执行」最彻底的一例：每一层都是显式的、可读的 JSON，模型本身完全不训练。它同时带有「评估与反馈」的成分（Monitor、Verifier、重试、重规划），但评价信号是 VLM 自己给的，不更新任何参数。

	MotorMind	ACoT-VLA	τ₀-VLA	TT-VLA
专题分类	结构化执行	结构化执行	评估与反馈	评估与反馈
高层	冻结通用 VLM 的 Planner	无独立高层	Qwen3.5-9B 微调的提议/价值/反思模型	无
中间接口	子目标 + 成功判据；参数化动作批次	动作空间粗轨迹	语言子任务 + 执行记忆	—
低层	确定性控制器（无学习）	flow matching 动作头	40 维统一动作空间的 VLA（4 万小时数据）	被适配的 VLA（OpenVLA 等）
评价信号	VLM 自评 + 实测机器人状态	无	世界模型想象终态 + 价值模型打分	VLAC 进度估计的差分
评价用来做什么	打断、重试、重规划	—	执行前在候选子任务中搜索	执行中更新策略参数
速度	每回合约 223 s	每次推理 112 ms	高层约每 1 s 刷新，低层约 30 Hz	未报告

和 τ₀-VLA：两者都维护执行记忆，都把子任务的完成情况显式记下来。区别在于 τ₀ 的记忆和子任务生成是训练出来的，执行前还会用世界模型想象后果再决定；MotorMind 不训练，靠执行后的 Verifier 和重试。τ₀ 用「执行前评估」避免错误的承诺，MotorMind 用「执行后检查 + 中途打断」修正。
和 ACoT-VLA：两者都认为语言子任务离电机指令太远。ACoT 在模型内部多生成一段动作草稿；MotorMind 让 VLM 在外部直接说出动作幅度。见 ACoT 页的对照。
和 TT-VLA：都用「进度」作反馈，但 TT-VLA 把进度变成梯度，在回合内更新策略的 LoRA；MotorMind 把进度判断变成离散决策（继续、停、重试）。

术语表

读这篇会遇到的词

展开术语表

harness: 围绕模型的执行框架：提示、工具、调度、检查和重试逻辑的总和。
mid-level action: 中层动作，本文指基座坐标系下带参数的 move / rotate / gripper，以及 wait、home。
action batch: Executor 一次提出的有序动作列表，由控制器依次执行。
action boundary: 两个动作之间的时刻。STOP 告警只在这里生效。
Gate: 案例图中控制器的安全检查，例如拒绝过低的下降或无效的闭合。
LIBERO-PRO: 在 LIBERO 上加入语言、物体、位置、任务扰动的评测基准。
TimeScore: 60 × 成功率 / 平均每回合秒数，单位百分点每分钟。
False done: 模型宣布任务完成，但环境谓词判定未完成。
Stuck: 卡住：反复提出无效动作，直到用完执行预算。
CaP-X / Harness VLA / VoLoAgent: 三种智能体基线：生成机器人代码；VLM 规划 + 冻结 VLA 工具 + 探索记忆；VLM 规划 + 感知工具 + VLA 执行。