Motus2

它要解决什么问题

论文的出发点是：通用具身智能体应当在一个统一系统里完成感知、预测、行动、评估和改进，而现有的机器人基础模型大多只做了“行动”这一步。

作者指出了三处不足。

1. 只靠模仿。今天的机器人基础模型主要在精选的动作示范上训练。对齐本体的示范很贵；模仿本身也不知道一个动作好不好，模型没法从自己的执行结果里继续改进。
2. 人类数据难以直接迁移。第一视角的人类视频能提供大规模的手-物交互先验（双目还能提供深度线索和更准的 3D 手部姿态），但指尖打滑、抓握成形、松手这类接触事件单看画面很模糊；第一视角下手会挡住物体，有些后果要过一会儿才显现。这是论文后面做机器人域适配、长时程上下文和触觉反馈的动机。
3. “世界模拟器 + 动作头”缺了评估。world–action model（WAM）能当策略，action-conditioned world model（AC-WM）能当模拟器，前作 Motus 已经用 UniDiffuser 式的联合建模把二者放进同一个模型。但预测出的未来本身不说明它是否推进了任务，所以还需要第三个接口：评估器，也就是价值模型。

作者把核心问题写成一句话：如何在一个共享模型里实现这些因果接口，同时不把未来观测暴露给动作预测；又如何把结果价值转换成策略更新？

解读“在世界模拟器上接一个动作头”不够，原因有两层。其一，没有评估器，模拟器想象出来的后果无法用来挑选或改进动作，失败数据也只能丢掉或被错误地模仿。其二，如果动作 token 能看到同一块的未来视频，部署时每一步都得先把视频生成出来，控制就被视频生成的开销拖住。Motus2 的做法是用“动作优先”的掩码切断这条依赖，让三个接口共享权重但各司其职。

一套权重，三个接口

作者把任务写成部分可观测马尔可夫决策过程：观测 o_t = (图像, 本体感受, 可选触觉)，因为手经常挡住物体和接触点，当前观测不够当马尔可夫状态，所以策略条件在历史上。实际中，核心模型用上下文 c_t 表示历史：语言、当前本体感受，以及由工作记忆机制（见记忆一节）提供的编码后视觉历史。

给定上下文，设 A_t 为可执行的动作块，Z_t 为它对应的未来观测 latent，Y_t 为离散化的任务进度值。从机器人域中训练开始，三者的联合密度按“动作优先”的顺序分解：

这三个因子是同一个共享参数模型的三种调用方式，并不是三个分别训练的网络。给分支排序用的分数是评估器的条件期望 V_θ(c_t, A_t, Z_t) = 𝔼[Y_t]（Eq. 3）。

token 怎么排：chunk 自回归

从中训练开始，每个训练窗口排成“干净的历史观测 + 若干个动作优先的块”：x = (Z^ctx; B₁; …; B_M)，每块 B_j = (q_j; A_j; Z_j; U_j)，其中 q_j 是可选的本体感受，U_j 是只读的价值查询 token。

• 块内：动作 token 读不到本块的未来视频和价值；未来视频 token 可以读当前动作；价值查询可以读两者，但对其他所有 token 隐藏。于是块内依赖是 A_j → Z_j → U_j。
• 块间：因果且有窗口，块 j 可以用之前的干净观测，永远看不到后面的块。自回归发生在块与块之间，块内的一串低层动作由 flow matching 一起生成。作者称之为 chunk-autoregressive。
• 其余：主干从基础视频扩散模型初始化（附录 E：Wan 2.2-TI2V-5B）。双目的左右视图 latent 共享时间和竖直方向的 RoPE 坐标，水平方向用错开的区间；本体感受、动作和价值查询进入同一个 Transformer 计算，语言走交叉注意力。

下面这个示意把论文 Eq. 7 的三种训练模式和 Figure 2 的掩码放在一起。点上面的按钮切换模式，看哪些 token 是干净条件、哪些被加噪并计 loss，以及注意力怎么连。

训练目标把三件事写进一个式子。对干净目标 x ∈ {Z_j, A_j} 和高斯噪声 ε，x_σ = (1 − σ)x + σε，速度目标 v* = ε − x。共享主干同时预测视频速度、动作速度和一个价值的类别分布：

三个 loss 开关 (w_z, w_a, w_v) 和两路独立的噪声水平 (σ^z, σ^a) 一起决定当前是哪种模式：

占比来自附录 E.2：simulation 和 evaluation 模式各占训练样本的 0.10 和 0.05，其余为 policy。价值目标离散成 201 个 bin，loss 权重 0.05。

按轨迹类型分配监督

掩码保证了依赖方向正确，但它不能判断一条录下来的动作值不值得模仿。所以每条轨迹只路由到它能正确监督的因子：

• policy 从中训练开始，只有精选的成功轨迹会打开动作监督。
• simulation evaluation 失败轨迹、次优轨迹，以及与任务无关的交互，只进入模拟或评估模式。这时录下的动作只是干净的条件变量，不是模仿目标。模型从这些数据里学转移和结果，但不会学着复现坏动作。

部署时只查询动作

训练好以后，普通控制只查询动作因子 π_θ(A_t | c_t)，未来视频和价值只在规划或策略优化时才生成。因为动作 token 看不到本块的未来视频，这样做不会改变动作的分布。论文强调这保留了视频-动作联合训练的好处，又不必在每个控制步都做一次未来预测（引用 Fast-WAM、GigaWorld-Policy）。默认部署时，动作块用 5 步 flow-matching 去噪采样（附录 E.3）。

数据课程：从人类视频到目标机器人

训练分四段。前两段只用人类第一视角数据，后两段才进入机器人域。动作优先掩码和监督路由也是从机器人域适配开始才启用的。

优化器设置（附录 E）：Stage 2 与中训练都用 AdamW，学习率 2×10⁻⁵，weight decay 0.01，梯度裁剪 0.5，bfloat16；Stage 2 常数学习率、1K 步 warm-up，中训练线性调度、200 步 warm-up。

约 13 万小时的第一视角语料

表 1 列的是过滤、切分和标注之前的原始录制时长（约数）。条形长度按线性比例画。

条形颜色：浅灰＝单目，深灰＝双目。来源：论文 Table 1。

解读按表中数字，单目合计 112,500 小时，其中 Egocentric-100K 一个源就占 100,500 小时（约占总量 77%，分辨率只有 480×360）；双目合计 17,400 小时。也就是说，“13 万小时”的大头是低分辨率单目视频，只进入 Stage 1 的视频通路；带手部动作、真正参与视频-动作联合训练的双目数据是一万多小时量级。

论文还说明：同一个源可以进入多个阶段，例如 LightWheel 的单目录像进 Stage 1，双目录像进 Stage 2。此外，团队用 Wuji Human Gloves 采了几十小时人机对齐数据，作为中训练的补充。

人类数据怎么变成“动作”

• 统一的 134 维手部表示（附录 C.1）：每只手 = 世界系腕部平移 p ∈ ℝ³ + 四元数 q ∈ ℝ⁴ + 20 个非腕部关键点在腕部局部系下的坐标 k ∈ ℝ⁶⁰，两只手共 134 维。
• BoxTrim 时间清洗（附录 C.2）：用腕部轨迹的突变（自适应阈值 τ_motion = max(α·median, τ_min)）近似检测快速转身和大幅位移，用“双手关键点同时无效”近似检测手出画或跟踪失败，把这些区间切掉，再把长片段切成更均衡的块。
• 语言标注（附录 C.3）：用视觉-语言模型给每个片段写环境、整体行为、左右手分别在做什么。
• 重定向到灵巧手（附录 D）：预训练用的人类数据把 21 个 MediaPipe 关键点通过带关节限位的 IK 映射到第一代 Wuji 手的 20 维关节空间，损失结合“整根手指构型”和“指尖位置与末节方向”，按指尖与拇指的距离动态加权，并加时间正则和低通滤波。后训练用的 Wuji Hand 2（20 自由度）和 Sharpa Wave（22 自由度）则直接用遥操作系统记录的原生关节角。

平台

附录 A 列出三套双臂配置：天机 Marvin 双臂 + 两只 20 自由度 Wuji 手（另装 ZED Mini、ZED 2 相机和 Wuji Robot Glove 触觉）；天机 Gento Luna 双臂 + 20 自由度 Wuji Hand 2；Gento Luna + 22 自由度 Sharpa Wave。摘要称之为“完全仿生”的平台：双目视觉、双臂、双灵巧手和触觉。遥操作上，Marvin–Wuji 用 MANUS 手套（先转 21 点 MediaPipe 表示再重定向）加三个 VIVE Ultimate Tracker（躯干和双腕）；两套 Gento Luna 用 PICO 手柄位姿给双臂目标，手套数据分别重定向到 Wuji 或 Sharpa 手。人机对齐数据不驱动机器人：操作者戴一双 Wuji Human Gloves，双腕各一个 HTC VIVE Tracker，桌上固定第三个 Tracker 作参考系，头戴 ZED 2 录左右目 RGB。

闭环：规划与 MBRL

动作优先的分解让“提候选 → 想后果 → 打分”可以按顺序执行。要让模型自我改进，还需要把评估器的反馈送回策略。

评估器学的是“相对进度”

沿用 VLAC 的相对进度定义。对成功轨迹中从时刻 t 开始、长度为 Δt 的片段，目标是

其中 T 是轨迹总长。正目标落在 [0, 1]，衡量这一段相对“剩余任务长度”推进了多少。只有正样本，评估器学不会怎样给偏离任务的行为打分，所以用两类负样本补上：失败的遥操作轨迹（抓不准、意外接触、偏离指令流程）和与任务无关的交互。正负值再离散成 Eq. 6 里的类别目标 Y_t。

两种用法

• 推理时规划（Best-of-N，滚动时域）：提 N 个动作块，逐个模拟并打分，执行分最高的那块 A_i*，i* = argmax V_i，拿到真实观测后重复。每执行一块就重新规划，减少对长想象链的依赖。论文没有给出规划时的 N。
• 训练时 MBRL（DiffusionNFT）：规划只能在现有策略的分布里挑，改变不了“提议分布”本身。MBRL 把评估器的分数喂回动作通路，用 DiffusionNFT 把标量分数变成 flow-matching 策略更新，模拟器和评估器保持不动。

MBRL 的核心是把分数变成 [0, 1] 的“最优性权重”，再用它在两个隐式速度场之间插值：

mean 和 std 只在策略生成的候选上算（总体标准差），ε 防止方差接近零时数值不稳。每组候选另外放入一条真值“动作-未来”对，固定 r̂ = 1 作为正锚点，不参与均值方差计算。v_ref 来自 EMA 参考策略，更新时固定。直观地说：高分候选让在线策略的速度场朝它靠拢，低分候选让策略朝反方向走，r̂ ≈ 0.5 的候选两边抵消，策略留在参考附近。1/β 相当于强化引导的强度。预测出的未来 Z_i 只通过分数 V_i 影响更新，不会作为输入暴露给动作速度预测器。

下面用示意数值走一遍两种用法。候选分数是随机生成的，不是论文数据。

MBRL 的工程实现

候选生成、价值打分、参考目标构造和策略优化四个阶段吞吐不匹配，串行执行会让昂贵组件空转。作者参考 AcceRL 做了基于 Ray 的宏观异步流水线，各阶段用有界 FIFO 缓冲解耦。附录 E.3 给出的设置：

• 每个前缀从离线数据采样，含 1–4 个块；每个前缀生成 8 个策略候选 + 1 条真值候选；想象时域只有 1 个块。
• 动作采样 4 步去噪，未来视频采样 8 步去噪。DiffusionNFT 取 β = 0.1，每个候选采一个噪声水平。
• EMA 参考策略衰减 0.99，每 10 次训练更新发布一次；参考版本过旧或超过 600 秒的样本丢弃。
• 只优化动作相关参数，共享的视频主干和价值组件都冻结。

工作记忆：能看到多久以前

闭环只能用 c_t 里保留下来的证据。有界上下文会丢掉任务早期看到、后面又需要的信息，手也可能在后面的画面里挡住物体。作者把“可访问的历史”当成一个显式的设计维度，做了三种方案：

• 滑动窗口（默认）：固定成本的流式方案。部署时只保留真实观测到的视觉 latent（不用想象出的），KV cache 只存最近的干净观测，执行完一块就追加新观测、挤掉最旧的。时间 RoPE 是窗口相对的，挤掉之后剩下的视频 key 会重新定位，保证位置落在训练见过的范围内。附录 E.3：W = 8，κ = 2，两块的流式缓存。
• 全局自回归：保留全部历史干净 latent，用整条 episode 的时间坐标，每个预测块都能看到完整历史。代价是 KV cache 和注意力开销随 episode 长度增长（N 个 latent 帧后保留 NL 个视觉 KV token）。
• 混合工作记忆：MemoryWAM 式。保留开头的 2 个全分辨率锚点帧和最近 4 个全分辨率帧，更早的中间观测压成持久的记忆 token（每个 latent 帧 8 个）。

两种长历史变体都在完整 episode 上训练，长度差异大，所以作者把多条 episode 打包进一次注意力调用，用块对角因果掩码隔开，各自生成 RoPE，padding 不计 loss。这只改变计算布局，与分开处理等价。拖动下面的滑块，看随着任务推进，三种方案各自还能“看见”哪些帧。

示意说明：滑动窗口按“最近 2 块 × κ = 2 = 4 个 latent 帧”画；混合记忆按“前 2 帧锚点 + 最近 4 帧 + 中间每帧 8 个记忆 token”画。token 计数只算视觉历史。

触觉专家：在去噪的最后一段接入力信号

工作记忆扩展了视觉历史，但接触状态单靠视觉仍然可能模糊。作者想把高频的触觉证据接进来，又不想每来一段触觉就把整个主干重跑一遍。办法是挂一个轻量专家，复用主干算好的中间结果。

结构：一条窄而深的旁路

• 规模：30 层 Transformer，隐藏宽度 128，4 个注意力头，FFN 宽度 512。每层与共享主干的对应层一一配对。
• 读什么：每层对“触觉 token + 中间动作 token”做自注意力，同时读主干对应层缓存好的 K/V。
• 主干只跑一次：参照 T-Rex，主干把整个 48 个动作的块从 σ = 1 去噪到固定的 σ_c = 0.2，在这个中间状态刷新动作的 K/V，与可见的视频上下文 K/V 拼起来。这份逐层缓存被 detach，供专家反复使用。
• 专家分段收尾：动作频率 30 Hz，一块切成 8 个子块，每个 6 个动作、0.2 秒。每执行一个子块之前，专家拿紧挨着它之前的触觉窗口，完成这个子块从 σ_c 到 0 的最后一步更新。同一份中间动作块和 KV cache 在 8 次调用里复用。

也就是说，专家读入第 k 个子块的中间动作、它之前的触觉窗口 τ^pre_t,k 和缓存，预测最终动作速度，一步走完剩下的 σ_c。

还要预测未来的力，但只在训练时

修正动作只用到了“之前”的触觉。为了让专家也学会接触在这个动作下会怎样演化，作者在每个子块之后预测真实的力窗口 f^post_t,k：前一个窗口保持干净作条件，后一个窗口在归一化的力信号空间里加噪，用同样的 flow matching 目标去噪（Eq. 16）。

• 方向约束：未来力 token 可以看中间动作 token；动作修正 token 看不到加噪的未来力 token。动作优先的依赖在专家内部也成立。
• 总目标：ℒ_tac = ℒ_ref + λ_predℒ_pred，λ_pred = 0.1；AdamW，学习率 5×10⁻⁵，weight decay 0.01。
• 部署时不预测力：力预测只在训练时使用，部署只输出修正后的动作。
• 主干不受触觉梯度影响：中间动作和缓存状态都被 detach，触觉 loss 只更新专家、力编码器与解码器，以及 Sharpa Wave 的形变编码器。

两种灵巧手的触觉输入

两种手共用同一套专家结构和时间调度。力信号采样 90 Hz，Sharpa Wave 每个窗口额外提供 6 帧形变图；力输入按训练数据统计量归一化，无效通道置零。

实验结果（表 5）

解读这里的触觉设计本质上是“双速率”：主干以块为单位（1.6 秒）做一次重计算，专家以 0.2 秒为单位用新的力信号做一次轻量修正，从而在不重跑 5B 主干的前提下拿到更高的反应频率。代价是触觉只作用在动作生成的最后一段：主干、模拟器和评估器都看不到触觉，规划和 MBRL 也就没法对接触后果做推理。这一点在七篇对照里与 ME-Dex 1.0 对比会更清楚。

实验怎么做的

任务分组

评测协议：同一组对比内所有方法用相同的初始配置；真机每任务 20 个配置，长时程上下文研究的仿真分支每任务 25 个；每个配置跑一次闭环。只有所有任务谓词都在时限内满足才算成功，部分完成算失败。平均值是任务间的宏平均。仿真和真机结果分开报告。

受控对比：与 π_0.5 比时，目标任务 SFT 数据、观测接口和评测协议都一致。WAN-SFT、Pretrain-SFT 和 Motus2 (Midtrain-SFT) 用同一套 SFT 流程，只有初始化不同：分别是 Wan 视频模型、两阶段第一视角预训练权重、机器人域中训练权重。

解读真机每格 20 次，一次成功就是 5 个百分点；两任务平均的 2.5 个百分点等于其中一个任务多成功一次。读后面的小差距时请记住这个粒度。论文没有报告置信区间或多随机种子。

结果

主结果：预训练和中训练各贡献了多少（表 2）

π_0.5 和 WAN-SFT 在五个任务上全部是 0%，下图只画 Pretrain-SFT 和 Motus2，两者的差别只在是否做了机器人域中训练。

论文的结论：第一视角预训练把宏平均从 WAN-SFT 的 0% 提到 51%，机器人域中训练再提到 84%，比 Pretrain-SFT 高 33 个百分点。在同样的目标任务 SFT 协议下，这支持了第一视角预训练和中训练各自的贡献。

解读提升最大的是 Put Phone（15% → 60%，+45）和 Place Ball（60% → 100%，+40）；Attach Eraser 在 Pretrain-SFT 时已经是 90%。π_0.5 在所有任务上都是 0%，这一点需要谨慎看待，放在疑点里讨论。

双目人类数据的缩放规律（Figure 5）

用嵌套的 2k、4k、10k、20k 小时双目子集（保持来源和分辨率比例）分别预训练，在同一个轨迹不相交的双目留出集上测人手动作预测误差：每个样本生成多个动作块，取均值与归一化后的真值腕部和手部动作比 MSE。每个数据量取所有 epoch 里最好的验证误差，拟合得到

MBRL 与规划：2×2 因子实验（表 3）

从同一个目标机器人权重出发，分别打开 DiffusionNFT 策略优化和 Best-of-N 规划。MBRL 改权重，规划只改推理。

格子颜色越深表示平均成功率越高。每个任务 20 次。Table 3。

论文的解读：规划带来 +2.5（65.0 → 67.5），MBRL 带来 +7.5（65.0 → 72.5），两者叠加到 75.0。MBRL 之后规划仍然有 +2.5，开着规划时 MBRL 仍然有 +7.5，说明两者在所评测的任务上互补。

解读换算成次数：规划的 +2.5 是 Put Phone 多成功 1 次（Multi-Finger 不变）；MBRL 的 +7.5 是 Put Phone 多 1 次、Multi-Finger 多 2 次。方向一致，但样本量很小。

评估器的打分长什么样（附录 F）

附录 F 在四个任务上各画了一条成功、一条失败轨迹的预测进度。读数用 Eq. 7 的评估模式：每块的预测只条件在上下文、已执行的动作和这一块实际观测到的视频上，从不条件在最终结果上；按 latent 帧逐点读出，值域 [−1, 1]，训练目的是给 rollout 排序，不是校准过的成功概率。

注意正文 §5.4 说附录 F 展示的是“Screw Bulb 的一条成功和三条失败轨迹，成功轨迹从 0.34 升到约 0.81”，但附录 F 实际是上面四个任务各一成一败、成功终点 0.63–0.65 的图；其中 Cut Reeds 和 Make Tea 不在 Figure 8 列出的 9 个评测任务里。LaTeX 源码里正文和附录就是这样写的，应是版本更新时没有同步。

长时程上下文（表 4）

在 Find Square 和 Press Button 两个记忆探针上，比较全局自回归和混合工作记忆，训练和配对评测设置一致，仿真与真机都测。

解读表 4 只比了两种长历史扩展，没有放默认的滑动窗口，所以从这张表看不出“长历史”本身比滑动窗口好多少。全局自回归的代价随 episode 长度线性增长，论文也没有报告它的推理延迟。

读懂它

值得带走的几个设计

1. 三个接口的区别只在“哪些 token 加噪、哪些 loss 打开”。没有三个网络，也没有三个独立的头：同一个 DiT，同一张动作优先掩码，靠 (σ^z, σ^a) 和 (w_z, w_a, w_v) 切换。评估器唯一多出来的是价值查询 token 和 201 bin 的类别读出。
2. 动作优先的掩码同时解决了两件事。动作不看本块未来视频，所以部署时可以只去噪动作；视频 token 能看动作，所以同一个模型天然是动作条件的模拟器。预训练阶段则保持块内双向，先把视频-动作的联合先验学好，到机器人域才切换。
3. 失败数据有用，但不能拿来模仿。成功轨迹训策略，失败、次优和无关交互只训模拟器和评估器。这让同一批数据按“能正确监督什么”被分别利用。
4. 规划改“选哪个”，MBRL 改“提什么”。两者用同样的三接口，一个在推理时从当前分布里挑，一个在训练时移动分布，实验里二者可以叠加。
5. 触觉走旁路、按双速率运行。主干每块跑一次，专家每 0.2 秒用新触觉修正一次，不必重跑主干。

容易误解的地方

• “自进化”不等于在线真机强化学习。论文实际做的 MBRL 是：从离线数据采前缀，想象 1 个块的后果，用冻结的评估器打分，只更新动作相关参数。论文没有报告“更新策略 → 采新真机数据 → 再训模拟器和评估器”的多轮迭代。
• policy 模式也在训视频。policy 模式的 loss 开关是 (1, 1, 0)，未来视频也被加噪和监督；只是部署时只读动作因子。
• 价值不是成功概率。论文明确说价值用于排序，没有校准。
• 触觉预测不在部署链路里。未来力的预测只是训练时的辅助目标；Sharpa Wave 的形变图也只作条件。
• 缩放规律测的是人手动作误差。Figure 5 说明双目人类数据越多、人手动作预测越准，并没有直接给出机器人成功率随数据量的曲线。

局限与疑点

放到七篇里看

专题里的七篇都在回答“力和触觉怎么进入机器人基础模型”。ForceVLA、Tactile-VLA、T-Rex、N₀-VTLA 走 VLA 路线，把力或触觉接进视觉-语言-动作模型；Motus2、ME-Dex 1.0、N₀-TWAM 走世界模型路线，模型要预测未来。Motus2 的主要贡献其实在三接口的通用世界模型和第一视角数据扩展，触觉只占一节和一张表；但它给出了一种与 ME-Dex 1.0 很不一样的触觉接入方式。

ForceVLA、Tactile-VLA、ME-Dex 1.0 三列取自摘要级概述；T-Rex、N₀-VTLA、N₀-TWAM 三列来自对应的精读页。细节以各自的精读页为准。

触觉在模型里处于什么位置 解读

和 ME-Dex 1.0 的关键区别

解读两篇都是世界模型路线，但对触觉的定位几乎相反。

• ME-Dex 1.0 的主张是触觉和视频一样是世界状态的观测，应该和视频一起作为未来观测来预测。触觉动态由此进入共享表示，动作生成在联合去噪时能直接用到它。代价是需要大量视觉-触觉-动作配对数据，所以它要专门做一个数据引擎，在仿真回放中补录力信号，还要用统一的手模型和自编码器处理异构传感器。
• Motus2 让主干保持纯视觉-动作，触觉通过旁路专家在最后一步修正动作。好处是主干可以用 13 万小时不带触觉的人类数据预训练，触觉只在后训练用少量真机数据；专家每 0.2 秒修正一次，不必重跑主干。代价是模拟器和评估器看不到触觉，规划和 MBRL 无法推理接触后果；力预测只影响旁路专家，不塑造主干的世界表示。

换句话说，如果问“触觉是条件还是被预测的观测”：ME-Dex 1.0 明确选了后者；Motus2 两者都做了一点，但真正进入部署链路的只有条件这一面，它的“世界模型”部分仍然是视觉的。两篇放在一起读，正好对应了触觉进入世界模型的两种代价取舍：要表示层面的统一，就得解决数据；要数据可扩展，触觉就只能晚一点、浅一点地接入。

和 T-Rex：同一个切分去噪机制

Motus2 在附录 E.3 写明触觉专家的时间调度“参照 T-Rex”。两篇的做法对照如下：

解读T-Rex 的消融还提供了一个 Motus2 没有的数字：把异步多次调用换成同步，6 个任务平均只从 65 掉到 60，而去掉触觉掉到 42。也就是说，这类设计的收益大部分来自“有一个只读触觉的专家负责收尾”，块内多次刷新本身贡献较小。两篇的 Split Cup 与 Pull Out Paper Cup 是同一类任务：稳住一摞套叠的杯子，只取出一只。

和 N₀-TWAM：把触觉放进世界模型本身

解读N₀-TWAM 是这个专题里第三个世界模型，它的选择和 Motus2 相反，和 ME-Dex 1.0 同边：触觉专家在每一层与视频、动作共享注意力，未来触觉和未来视频一起生成，所以世界模型的“未来”里包含接触。按上面说的代价取舍，它是用自家超过 3 万小时的 NeoData（“很大一部分”带触觉）来解决数据问题的。它同时保留了一条读当前触觉的观测通路，接在动作头之前，这一点又和 Motus2 的“当前触觉修正动作”相近，只是没有切分去噪、也没给刷新频率。

VLA 路线上的 N₀-VTLA（与 N₀-TWAM 同一团队）则走了第三条路：不做高频修正，也不生成完整的未来触觉，只预测一个动作块内触觉变化的潜变量。