N₀-VTLA 精读

问题

现有两种接法：当成又一个相机，或者当成当前读数

论文聚焦视觉式触觉传感器（GelSight、DIGIT 这一类），每根夹爪手指装一个自研传感器，接触被读成一张图。这种信号和相机画面完全不同：噪声大，远离接触时几乎是空的，只在接触刚形成或即将变化的短窗口里有信息。

作者把已有做法分成两条路，并指出各自的问题：

拼进视觉语言上下文（Tactile-VLA、OmniVTLA）：把触觉当成又一个相机。可一个稀疏、大部分时间沉默的信号，放进为信息密集的视图设计的前缀里，得不到多少收益。
注入动作通路（RDP、TouchGuide）：用当前触觉引导去噪。但当前触觉记录的是已经发生的接触，单独看它说不出下一段动作要应对什么接触，策略总比自己的接触事件慢一步。

第三条路：触觉不进前缀，动作专家读的是对触觉的预测。

原文图 1：N0-VTLA 总览，模型架构、ALTER 训练、三个基准的结果 — **原文 Figure 1**右上：触觉图 → 潜在触觉预测器 → 预测的未来触觉 z（粉色）→ 动作专家；视觉和指令进 VLM，VLM 的输出同时给预测器和动作专家。左下：ALTER 用稠密进度对和事件偏好对训练成对进度模型，再给样本打正/负优势标签。右下：三个基准的均值。注意 NeoReal 面板画的是 100 分制**进度分**（56.8 vs 42.3），另两块是成功率。

模型 · §2

基座不动，只加一条“潜在触觉”通路

基座：π0.5

PaliGemma 视觉语言主干 + flow matching 动作专家，从官方 π0.5 权重初始化。相机视图、指令和离散化的机器人状态组成前缀。动作块 H = 50 步，放进 32 维的通用容器；损失对 32 维全部计算，没用的维度学着输出 0。其余结构、tokenizer、训练流程都照搬 π0.5。

触觉编码器

当前触觉帧减去回合开头的零接触帧，在像素空间做差，再送进冻结的 DINOv2 加一个可训练的线性投影，投到主干的 token 宽度 d：

g_k = f_enc(tac_τ^k − tac₀^k) ∈ ℝ^10×d

每张图 10 个 token：1 个 CLS + 16×16 patch 网格做 3×3 自适应平均池化得到的 9 个。n 个视图拼起来是 10n 个。

为什么差分、为什么冻结。和回合起点做差，去掉了凝胶本身的外观和大部分安装位置带来的印记，对传感器位置差异更稳健（论文说“不是严格不变”）。冻结编码器有三个好处：保留自监督表示；换新传感器只需训投影层；省掉编码器的激活和优化器显存。

预测器与它的目标

预测器是一个轻量模块：读当前触觉 token g，同时读经过上下文化的视觉语言前缀，把它们蒸馏进一组可学习的 latent query，输出 z ∈ ℝ^10×d。没有触觉的回合用一个可学习的 null token 代替 g，所以 z 总会产生，策略退化为纯视觉语言控制而不是报错。

让 z 成为“预测”而不是“描述”的，是它的训练目标：用同一个编码器编码每个视图在接下来 H 步里的触觉变化，再在视图间平均：

z^* = (1/n) Σ_k f_enc( tac^k_τ+H − tac^k_τ ) ∈ ℝ^10×d, H = 50(2)

z 怎么进动作专家。z 投影到动作专家的宽度，放在动作后缀的最前面、噪声动作 token 之前。动作 token 可以看 z，也照常看视觉语言前缀；前缀看不到 z；z 的位置在动作输出头之前被切掉，不输出动作。当前触觉 token g 从不直接进入动作专家，只能经过预测器变成 z。

原文图 2：Step 1 潜在触觉预测器训练 — **原文 Figure 2**Step 1。观测到的触觉经编码器变成蓝色 token g，视觉语言上下文是绿色网格，预测器（火焰 = 可训练）输出粉色的 z。右上：未来触觉经同一个编码器得到目标 z*，损失只回传进预测器。

原文 keybox为什么预测而不是反应

触觉最要紧的行为是预判性的：抓取合拢前毫米级的预加载，物体开始动之前就接住初始滑移。这些发生在“接触前的盲区”，纯反应式的信号来得太晚，影响不了造成它的那个动作。作者据此假设：用预测性的潜变量而不是原始当前 token 条件动作，是更好的归纳偏置。在学到的潜空间里预测、不重建原始信号，沿用了 JEPA 系（I-JEPA、LeJEPA、LeWorldModel）的思路。

三阶段潜在触觉训练 · §4.2

一次只放开一块：先定义 z 的含义，再教专家用它

触觉通路是新初始化的，直接接到预训练好的多平台 checkpoint 上。三个阶段依次从上一阶段的 checkpoint 出发。“free-latent”变体把三步压成一次联合训练，不加 Stage 1 的监督。

逐阶段看：谁在训练、谁冻结、哪条路被屏蔽

依据 §2.2、§4.2 与图 2–4

训练冻结本阶段不用被屏蔽的路径

Stage 1 的损失（§4.2）：h(·) 表示对 10 个 latent token 取均值再做 ℓ₂ 归一化，s_ij = ⟨h(z_i), h(z*_j)⟩，

𝓛_NCE = −(1/2B) Σ_i [ log e^s_ii/Σ_je^s_ij + log e^s_ii/Σ_je^s_ji ], 𝓛₁ = 𝓛_NCE + λ_rec ‖ r_ψ(z) − D̄_τ→τ+H ‖₁(4)(5)

对比项让 z 能在一个 batch 里“认出”自己的未来目标；重建头把 z 解码回一张降采样的接触变化场，锚定接触发生的位置，防止 z 学成一个只会区分 batch、不编码接触位置的捷径。λ_rec 的具体值未披露。

原文图 3：Step 2 动作专家对齐 — **原文 Figure 3**Step 2：预测器和 VLM 冻结（雪花），VLM 到动作专家的路径被 Masked，只剩 z。

原文图 4：Step 3 端到端训练 — **原文 Figure 4**Step 3：除 DINOv2 主干外全部解冻，视觉语言到专家的直连恢复。

原文图 6：多平台视触觉预训练的 loss 与梯度范数 — **原文 Figure 6**多平台视触觉预训练的 loss 和梯度范数。论文用它说明训练稳定；步数、规模未标注。

数据 · §3 · 附录 A–C

NeoData：一个 32 维容器装下单臂和双臂

平台：ARX X5、UR5e、Flexiv、Franka、Piper 等单臂/双臂机械臂，加一个 UMI 式手持采集夹爪 Neo TacUMI。每根参与任务的手指都装自研视触觉传感器。
模态：每回合 3 路 RGB（1 个第三人称 + 2 个腕部），单臂平台 2 路触觉、双臂 4 路；全部 30 fps；RGB 采集最高 640×480，触觉保留传感器原生分辨率，喂模型时统一缩放到 224×224。LeRobot 格式。
动作/状态容器：继承 π0.5 的 32 维。前 20 维每臂 10 维：3 维末端位置 + 6D 旋转（rot6d）+ 1 维夹爪；后 12 维恒为 0。单臂数据只填第一个槽。磁盘上存绝对位姿，训练时把每个动作块改写成相对块首帧的位姿，部署时再逆变换回绝对位姿、IK 求关节。
触觉约定：每回合开头至少 0.5 秒夹爪张开静止，这一帧作为零接触参照。部署时每次 reset 后的第一帧成为新参照。
仿真数据：UniVTAC 视触觉仿真器的回合同样转成上面的格式。

数据规模、采集协议、传感器规格、算力都放在配套的数据报告里，本文未披露（附录 A 的 Scale 一栏写的就是“见数据报告”）。同一团队的 N₀-TWAM 报告称 NeoData 超过 30,000 小时。

解读附录 C 的“数据工程红线”值得一读

九条入库前的检查项，每条配一个“违反后会出现的症状”。几条很实在：动作必须按绝对位姿存盘，否则 loss 正常收敛但真机不能用；归一化统计必须在训练时同样的“相对块首帧”变换下算，否则 loss 看着健康但动作尺度错了；视频 GOP 不超过 30 帧，否则随机读取要从最近的关键帧解码，吞吐周期性卡死。部署侧（附录 D）还有一条：必须把 50 步动作块全部执行完再请求下一块，提前重规划会丢掉集中在块尾的夹爪闭合指令，结果是手臂到位了夹爪却没合上。

ALTER · 从部署数据做离线 RL · §4.4

把“进度”变成一句 `Advantage: positive`

ALTER = Advantage Labeling from Trajectory Events and Relative Progress。给定一个固定的部署语料，不再和环境交互，做优势条件化的离线 RL（和 π*0.6 的 RECAP 同一框架）。流程分三步：

原文图 7：ALTER 流程 — **原文 Figure 7**左：事件偏好对（掉落前的帧优于掉落后）和稠密进度对（按阶段进度 φ 的差）一起训练成对进度模型 A_θ(x_a, x_b)。中：冻结后，拿当前帧和 H 步后的帧比得到“局部执行变化”，拿当前帧和回合首帧比得到“全局任务阶段”。右：在每个阶段内部排序，高的标正、低的标负，作为文本条件拼进任务提示。底部虚线框：阶段边界来自触觉特征、手臂运动学、运动偏移、轴切换、夹爪事件和视觉线索的融合。

① 标注

干净示范：Gemini-3.5-Flash 生成任务模板（L3 目标 → 有序 L2 阶段 → L1 步骤），人工审一次。每条示范用触觉接触变化找候选切点，再补充末端运动、夹爪状态、视觉 GEBD 线索，合并去重后由 VLM 把每段对到模板条目。

自主和人工介入回合不做单调进度标签（会退步、重试），只标局部事件：触觉检测的物体掉落、HIL 日志里的纠正区间。

② 成对进度模型

阶段 k 的进度份额按示范里的平均时长分配：w_k = d̄_k / Σd̄_j，φ_t = Σ_j<kw_j + w_ku_t。模型基于 π0.5 的双观测结构（沿用 χ0），只输入两个时间点的多相机 RGB 和任务提示，三层 MLP 输出相对进度 ∈ [−1, 1]。

损失 = 示范对的回归 + λ_event × 事件对的平方 hinge（margin m = 0.02）。事件对约占 5%，权重乘 0.1。触觉只用于构造标签，不是模型输入。

③ 优势条件训练

φ̂_t = δ_e + A_θ(x_t, x₀) 定阶段；r̂_t = A_θ(x_t+H, x_t) 是局部变化。在同一阶段内取 r̂ 的前 ρ = 30% 为正。标签以文本拼进提示；训练时 30% 概率不加标签；部署时恒用 Advantage: positive。策略结构和 flow matching 损失不变。

为什么要“阶段内”排序

合成数据示意，不是论文数据

正样本比例 ρ 0.30

细节（附录 E）：全局进度先做 5 帧中值滤波，再强制阶段编号不回退；从错误状态开始的“分阶段恢复”回合，初始进度偏移 δ_e 由它的首帧与三条干净示范的起点比较估计；剩余帧不足 H 时，局部分按比例放大；最后一帧和自己比为 0。

实验设置 · §5.1

一个真机基准，两个仿真套件，一个离线 RL 对比

评测	任务	基线	协议
NeoReal（真机）	9 个接触任务：Cup Stacking、Fruit Collection、Board Wiping、Bottle Standing、Towel Folding、Socket Plugging、Board Insertion、Cardboard Box Folding、Bag Packing	ACT、π0.5（内部复现）	成功率 + 100 分制阶段进度分；每个任务的试验次数不同，未列出
UniVTAC（仿真）	原版 8 个任务	ACT（纯视觉 / + UniVTAC 触觉）、VITaL、π0.5、StarVLA-α、InternVLA-A1、Xiaomi-Robotics-0、GigaWorld-Policy	每任务 100 条示范训练，按仿真器完成判据算成功率
NeoSim（仿真）	12 个任务：4 单臂 + 8 双臂	π0.5、StarVLA-α、InternVLA-A1、Xiaomi-Robotics-0、GigaWorld-Policy	同上，固定每任务语言提示
ALTER（真机）	Towel Folding、Bag Packing、Cardboard Box Folding	π0.5-SFT、N₀-VTLA-SFT、π0.5 + χ0、π0.5 + ALTER	SFT 只用干净示范；ALTER / χ0 用全部部署语料

ALTER 部署语料（附录 E）	干净示范	自主回合	HIL 回合	其中分阶段恢复
Towel Folding	351	286	180	80
Bag Packing	213	243	238	72
Cardboard Box Folding	550	587	397	110

结果 · §5

真机九胜，仿真领先，但仿真上并非每项第一

NeoReal 真机（原文 Figure 5）

成功率（%）

数字取自原图矢量 PDF 的柱顶标注。最右一组是 9 个任务的均值。

ACTπ0.5N₀-VTLA

100 分制进度分

每任务拆成固定的子检查点，按到达的最深检查点给分。

ACTπ0.5N₀-VTLA

图中数字

成功率上 N₀-VTLA 九个任务全胜，均值 47.2% vs 29.4%。进度分上 8/9 领先，Board Wiping 52 vs π0.5 的 55.2。ACT 一个任务都没完成，均值 10.2 分。差距最大的几个：Socket Plugging 85% vs 60%，Board Insertion 25% vs 0%，Bottle Standing 30% vs 0%。

原文图 13：代表性执行过程 — **原文 Figure 13**N₀-VTLA 的代表性执行，从左到右是时间：Socket Plugging、Cardboard Box Folding、Bottle Standing（NeoReal），以及 NeoSim 的双臂 Cup Handover。

UniVTAC 仿真（表 1）

8 个任务的成功率

黑框为每列最高（与原表加粗一致，并列时都框）。

原表数字（表 1）

NeoSim 仿真（表 2）

12 个任务的成功率

行是任务，列是方法；黑框为每行最高。

原表数字（表 2）

20 个仿真任务的总均值

N₀-VTLA 和 π0.5 两项是论文正文给出的数；其余四项是我们按表 1、表 2 逐任务数字算的。

解读“大幅领先”主要来自 UniVTAC

UniVTAC 上 83.1 vs 最强基线 67.1，领先 16 分；NeoSim 上 50.8 vs π0.5 的 45.8，只领先 5 分，而且 12 个任务里有 5 个不是第一（Grasp Chip 88 vs 93、Insert Screw 24 vs 26、Cup Handover 22 vs 25、Stack Plates 94 vs 96、Unstack Cup 10 vs 71）。UniVTAC 里 Insert HDMI 只有 25，远低于 Xiaomi-Robotics-0 的 69；Put Bottle 60，低于 StarVLA-α 的 88。

ALTER 离线 RL（原文 Figure 9、附录 Figure 14）

三个长时程真机任务的成功率

数字取自 tex 源码里的 TikZ 柱状图。

π0.5-SFTN₀-VTLA-SFTπ0.5 + χ0π0.5 + ALTERN₀-VTLA + ALTER

每小时成功完成次数

三个任务纵轴范围不同，这里各自按自己的最大值画。

原图数字

SFT 时 N₀-VTLA 比 π0.5 高 10 / 15 / 15 分；两者各自接 ALTER 后差距缩小到 5 / 5 / 15 分。同是 π0.5 主干，ALTER 比 χ0 的 Stage Advantage 监督高 10 / 10 / 5 分。

原文图 8：两条不完美 Towel Folding 轨迹上的预测进度 — **原文 Figure 8**两条留出的不完美轨迹。(a) 毛巾在 0:32 左右掉落，预测进度下降，恢复开始后回升（小图放大了掉落附近）；(b) 毛巾在搬运中揉皱且没有恢复，进度在 0:53 后急跌并保持在低位。

原文图 15：三个任务的阶段标注层级 — **原文 Figure 15**进度模型用的阶段粒度。Towel Folding 和 Bag Packing 用 L1 阶段（6 段），下方是所属 L2 阶段；Cardboard Box Folding 的 L1 太碎，直接用 5 个 L2 阶段。

表示分析（§5.5）

z 能否从候选池里认出自己的未来触觉目标

Stage 1 结束时测，378 个留出查询，top-1 准确率。“当前触觉 g”是只用预测器的输入去排序的对照。128 候选池的随机基线（1/128 ≈ 0.8%）是我们算的，论文只给了 32 候选时的 3.2%。

预测的 z当前触觉 g随机

第三个探针是扰动：换掉触觉输入，z 在中心化余弦距离上移动约 0.9；同时换掉 RGB 和提示，z 最多移动约 0.2。触觉/视觉语言敏感度比在 Stage 1 结束时是 4.3，端到端联合训练后降到约 1.4。

原文图 10：有无触觉的反事实动作路径 — **原文 Figure 10**同一观测、同一采样噪声下，有触觉（实线）和去掉触觉（虚线）的预测末端路径。(a) 牢固接触和 (b) 抓取时两条路径分开，有触觉的那条成功；(c) 自由空间里两者重合。(d) 50 步动作块内两条路径的逐步距离：接触时段增长到约 0.03–0.04，自由空间保持在 0.003 以下。只有一个回合。

论文的四条 Findings（§6）里还有两段定性描述：插入任务里 π0.5 视觉上对齐就一直往下压，碰到插座边缘仍继续，N₀-VTLA 会抬手、重新对准再试；Bottle Standing 里 π0.5 把空瓶口捏得太紧、把整个瓶子提起来，N₀-VTLA 会连续微调夹爪开度。

读懂它

这篇真正说明了什么

1. “预测触觉变化”可以做得很轻

不训触觉专用编码器，不解码完整的未来触觉序列：冻结 DINOv2 + 线性投影 + 小预测器，目标是一个动作块内的净变化在同一个编码空间里的表示。和 N₀-TWAM、ME-Dex 那种在世界模型里生成未来触觉相比，这是最省的“预测式”接法。

2. 新通路怎么安全地嫁接到预训练 VLA 上

三阶段的逻辑很清楚：先固定 z 的含义（只训预测器），再固定专家怎么用 z（屏蔽前缀，只有 z 可读），最后才放开联合训练。Stage 2 屏蔽前缀是关键一步：不屏蔽的话，专家完全可以绕过新来的 z。

3. 预测器确实超出了它的输入

只用当前触觉 g 去排序能到 57%，z 到 92.3%；候选池扩到 128 时差距拉大（40% vs 81%）。说明 z 里有“未来接触”的信息，不只是当前读数的自相关。

4. 离线 RL 的收益比触觉还大

在三个长时程任务上，ALTER 把 π0.5 从 40 / 20 / 5 提到 90 / 75 / 60；N₀-VTLA 的触觉预训练在 SFT 时带来 10–15 分，接 ALTER 后缩到 5–15 分。

容易误解的地方

“触觉作为预测目标”只在 Stage 1 成立。Stage 3 起对比和重建目标都关掉了，z 只靠动作梯度维持。表示分析里的 92.3% 是 Stage 1 结束时测的；联合训练后只报告了敏感度比从 4.3 降到 1.4，没再测检索准确率。
“隔离了触觉通路的贡献”是结构上的说法。§5.1 说关掉触觉开关模型就退化为基座，所以和“基座策略”的差就是触觉的贡献。但论文实际比较的是官方 π0.5 权重微调出来的基线，没有报告“同一 N₀ 预训练、关掉触觉”的闭环结果。
NeoReal 面板的数字是进度分。图 1 右下 NeoReal 用 56.8 / 42.3 / 10.2，那是进度分，不是成功率（成功率是 47.2 / 29.4 / 0）。
ALTER 的比较混入了数据量。SFT 只用干净示范（351 / 213 / 550 条），ALTER 用全部部署语料（总数约 2.3 / 3.3 / 2.8 倍）。π0.5 + χ0 同样用全部语料，才是控制了数据的对照。

FAQ

z 的“未来”有多远？

H = 50 步，和动作块长度相同。数据 30 fps，如果动作也按 30 Hz，大约 1.7 秒。目标是这段时间的净变化 tac_τ+H − tac_τ，不是整条轨迹，中间怎么变化的不在目标里。

free-latent 变体效果如何？

论文定义了它（单阶段、无 Stage 1 监督、训练时不需要未来帧），也在结论里把它和监督版称为“设计空间里的两个点”，但没有报告它的任何闭环结果。main.tex 里还定义了一个 N0-Concat 宏（按名字应是把触觉直接拼接的变体），正文从未使用。

和 π0.5 相比，推理多了多少开销？

论文没报告。结构上多了：每个触觉视图一次 DINOv2 前向（冻结）、预测器前向、动作专家序列里多 10 个 token。去噪仍是一次前缀编码 + 10 个 Euler 步。附录 B 明确说省略了硬件型号、卡数、显存和吞吐数字。

成对进度模型能看触觉吗？

不能。触觉、运动学和事件信号只用来构造离线标签（阶段切点、掉落事件），进度模型本身只输入两帧多相机 RGB 和任务提示。

局限与疑点

作者承认的，和我们读出来的

论文自己提到的

free-latent 与监督版只是设计空间里的两个点，预测式潜变量这个框架值得超出当前预测器结构继续探索。
ALTER 只在三个任务上验证，需要扩展到更多操作场景。
触觉传感器测的不是力，只是形变信号和力强相关（§6）。
差分只让表示对传感器位置差异“更稳健”，并非严格不变。
limitations.tex 在源码里是空文件。

我们读出来的

疑点没有任何闭环消融：三阶段 vs free-latent、z vs 当前触觉 g、有无 NeoData 预训练，都没有成功率对比。“为什么预测”的论证只有检索准确率和一个回合的反事实图。
疑点π0.5 基线从官方权重微调，N₀-VTLA 多了 NeoData 视触觉预训练。两者的差距里，触觉通路和额外预训练数据的贡献分不开。
疑点NeoReal 每个任务的试验次数没写（“each task carries its own trial budget”），所有成功率都是 5 的倍数。
疑点图 5 的图注写“上图为 Simulation success rate”，但 NeoReal 是真机。
联合训练后触觉/视觉语言敏感度比从 4.3 降到 1.4，z 更依赖视觉语言上下文了；论文把这解读为“仍偏向触觉”。
检索是在约 32 个候选（相当于 batch 内负样本）里做的 top-1，不是全库检索，论文也注明了。
数据规模、算力、传感器规格都推给了配套报告，本文无法独立核对。
和同团队同日发布的 N₀-TWAM 用的是同一套基准和同一批基线数字，但两篇互不比较（见下节）。

放到专题里看

“预测式”触觉里最轻的一种

在力与触觉专题里，N₀-VTLA 站在 VLA 路线上，却已经把触觉当成要预测的量：预测的不是未来触觉图像，而是一个动作块内触觉净变化的潜在表示。

	N₀-VTLA	N₀-TWAM（同团队）	T-Rex	ME-Dex 1.0	Tactile-VLA
骨干	π0.5（PaliGemma）	LingBot-VA 视频世界动作模型（Wan2.2-5B 系）	Qwen3-VL-2B 三专家 MoT	Wan2.2-5B 结构的三专家 WAM	π0
触觉进哪里	预测器 → z → 动作专家后缀；不进前缀	触觉专家（生成未来触觉）+ 力空间交叉注意力（当前触觉）	触觉专家做去噪最后一段	触觉专家，中层共享注意力	VLM 前缀
预测什么	H 步触觉净变化的 DINOv2 表示（只在 Stage 1 监督）	未来触觉的 VAE 潜变量（残差形式）	不预测	未来触觉潜变量	不预测
UniVTAC	83.1	84.5	—	—	—
NeoSim	50.8	49.4	—	—	—

和 N₀-TWAM：同一团队、同一天挂 arXiv，数据（NeoData）、基准（UniVTAC、NeoSim、NeoReal 的一部分）和基线数字（π0.5 等）完全相同，但两篇不互相比较。仿真上两者几乎打平（83.1 vs 84.5，50.8 vs 49.4）。真机上两篇共有的 6 个任务（Cup Stacking、Fruit Collection、Board Wiping、Bottle Standing、Socket Plugging、Bag Packing），π0.5 的数字也一模一样；N₀-VTLA 在这 6 个任务上的均值是 55.0，N₀-TWAM 是 52.5 解读。能否直接对比取决于两篇的试验设置是否一致，论文没说明。
和 T-Rex：论点正好相对。T-Rex 让当前触觉更高频地进入动作生成；N₀-VTLA 认为当前触觉“总慢一步”，改为预测。两篇都让触觉绕开主干的输入前缀。
和 Tactile-VLA：N₀-VTLA 把 Tactile-VLA 的做法（触觉当作前缀里的又一个相机）作为反面例子。
和 ME-Dex：都把触觉当成要预测的量。ME-Dex 在世界动作模型里真的生成未来触觉，推理时也要生成；N₀-VTLA 只预测一个压缩的潜变量，训练后期连这个预测目标都撤掉了。

术语表

读这篇会遇到的词

展开术语表

VTLA: Vision–Tactile–Language–Action，视觉-触觉-语言-动作模型。
latent tactile tokens z: 预测器输出的 10 个潜在触觉 token，目标是未来 H 步触觉净变化的编码 z*。
g: 当前触觉差分图（当前帧 − 回合起始帧）经冻结 DINOv2 + 投影得到的 token，每视图 10 个。
contact-difference image: 触觉帧减去零接触参照帧的差分图。
free-latent: 不加 Stage 1 监督、单阶段联合训练的简化变体，z 只由动作梯度塑造。
InfoNCE: 对比损失，把预测与自己的目标拉近，与 batch 内其他目标推远；这里是双向对称版本。
NeoData / NeoReal / NeoSim: 同团队的视触觉数据集、真机基准、仿真基准，细节在配套数据报告里。
UniVTAC: 公开的视触觉仿真框架和 8 任务基准。
ALTER: Advantage Labeling from Trajectory Events and Relative Progress，本文的离线 RL 方法。
RECAP: π*0.6 提出的优势条件化策略提取：给样本打二值优势标签，作为条件训练，部署时固定用正标签。
χ0: 用成对观测预测阶段相对进度的方法，ALTER 的进度模型结构沿用它；它按阶段均匀分配进度、用已过时间做目标。
HIL: human-in-the-loop，人在回路中接管纠正的部署回合。
GEBD: Generic Event Boundary Detection，通用事件边界检测，这里作为视觉切点线索。
rot6d: 旋转矩阵前两列组成的 6 维连续旋转表示。