AIM: Intent-Aware Unified world action Modeling with Spatial Value Maps
1. 论文速览
| 阅读定位 | 内容 |
|---|---|
| 论文要解决什么 | 已有 unified world action model 能预测未来画面，但动作解码仍要从密集 RGB latent 中隐式恢复接触位置和操作意图，导致机器人域适配成本高。 |
| 作者的方法抓手 | 引入与未来帧对齐的 action-based spatial value map，作为未来视觉预测与动作解码之间的显式空间接口。 |
| 最重要的结果 | RoboTwin 2.0 的 50 个仿真任务上，AIM 达到 Easy 94.0%、Hard 92.1%，平均 93.1%，高于 Stage1 的 92.5% 和外部 baselines。 |
| 阅读时要注意的点 | 核心不是“多加一个 heatmap 监督”，而是用 intent-causal attention 强制 action branch 只能通过 value map 读取未来信息。 |
难度评级：★★★★☆。需要理解 video diffusion / flow matching、Transformer attention mask、VLA / world-action model，以及 RL post-training 中 PPO/GRPO 类目标。
关键词：Unified World Action Model；Spatial Value Map；Intent-Causal Attention；Mixture-of-Transformers；GRPO Post-Training；RoboTwin 2.0。
核心贡献清单
- Intent-aware unified world action model：在未来预测和动作解码之间加入空间 value-map 接口，使模型显式表示任务相关交互结构。
- Spatially grounded control training framework：把 joint frame-value generation、intent-causal attention 和 self-distillation RL post-training 放进同一框架。
- 30K 仿真轨迹数据集：构造含多视角视频、动作序列、任务标识和逐步 value-map 标注的数据，用于训练与评估。
- RoboTwin 2.0 性能：在 50 个仿真任务的 Easy / Hard 设置上分别达到 94.0% / 92.1% 平均 SR。
附录状态 源码中未发现 Appendix / Supplementary section；本报告所有内容均来自正文、图表和参考文献文件。
2. 动机
2.1 要解决什么问题
论文关注的核心问题是：如何把大规模视频生成模型学到的视觉动态先验，可靠地转化为接触密集机器人操作中的连续动作。视频模型擅长回答“场景接下来长什么样”，但机器人控制还需要回答“末端执行器应该接触哪里、为什么这个位置对任务有用”。在抓取、放置、按压、扫描、开关等任务中，这类信息通常是稀疏的接触区域，而 RGB future latent 包含大量外观细节。
作者指出，已有统一世界-动作模型通常让 action head 直接从共享的未来视觉表示中解码动作。这会迫使模型从密集视觉表示里隐式恢复 manipulation intent；对 cluttered scene 或 contact-sensitive task 来说，这个逆动力学问题更难。
2.2 已有方法的局限
- 传统 VLA：直接从 observation + language 到 action，能够模仿示范，但不显式建模动作如何改变未来观测。
- 两阶段 WAM：先预测未来状态，再交给 action model；未来状态与动作解码之间缺少可控、显式的交互接口。
- 一阶段 WAM：未来状态预测与动作预测共享 observation stream；action head 仍需要从 dense RGB future 中抽取稀疏动作线索。
- 空间 grounding 方法：已有工作证明可操作区域、voxel-aligned action space 等对 manipulation 有用，但通常作为独立 policy head 或感知模块，没有直接嵌入 generative world-action model。
2.3 本文的解决思路
AIM 的高层 insight 是：让模型先把未来视觉动态压缩成“与任务相关的空间交互区域”，再让动作头基于这个空间表示生成动作。也就是说，future RGB 用于建模世界怎么演化，value map 用于表达未来交互意图，action head 只通过 value map 接收未来信息。
3. 相关工作梳理
3.1 论文自述的相关工作
| 技术线 | 论文如何定位 | AIM 的区别 |
|---|---|---|
| Video generation for robot learning | DreamZero、VPP、Video Generators 等工作把 pretrained video generator 当作机器人学习的视觉动态先验。 | AIM 采用 Wan2.2-TI2V-5B 作为 video backbone，但增加 value-map 预测和动作分支。 |
| Unified world action model | LingBot-VA、GigaWorld-Policy、Fast-WAM、DreamZero 等把未来观测和动作放进统一架构。 | AIM 不让动作直接依赖 future RGB，而加入显式 spatial intermediate interface。 |
| Spatially grounded representations | Where2Act、PerAct、CLIPort、CALAMARI 等强调 interaction region / spatial grounding 对 manipulation 的作用。 | AIM 把 spatial value prediction 直接集成进 generative world-action model，而不是独立感知或策略头。 |
3.2 直接前作对比
| 维度 | LingBot-VA | GigaWorld-Policy / Fast-WAM | AIM |
|---|---|---|---|
| 核心思路 | 在共享 latent space 中学习视频预测与动作生成。 | 强调 action-centered 或 efficient world-action modeling。 | 联合预测 future RGB、future value map 和 future action。 |
| 关键假设 | 共享视觉 latent 足以服务动作解码。 | world-action cotraining 可提升策略。 | 动作需要显式空间意图表示，不能只靠 dense future RGB。 |
| 信息流 | 动作可从共享未来表示取信息。 | 依具体模型设计而定，通常没有 value-map 门控。 | intent-causal attention 让 action branch 不能直接看 future RGB。 |
| 实验性能 | RoboTwin 平均 SR 92.2%。 | Fast-WAM 91.8%，Giga-World 86.0%。 | RoboTwin 平均 SR 93.1%。 |
4. 方法详解
4.1 方法概览
AIM 的输入是历史窗口 $\mathcal{H}_t=\{o_{t-k:t}, a_{t-k:t-1}\}$，其中 $o_t$ 是同步多视角观测，$a_t$ 是机器人动作。模型输出 horizon-$h$ 的 future RGB frames $X^+$、future value maps $M^+$ 和 future actions $A^+$。
这个分解在说：先预测未来世界与空间意图，再基于空间意图生成动作。
$$p(X^+, M^+, A^+ \mid \mathcal{H}_t)=p(X^+, M^+ \mid \mathcal{H}_t)\,p(A^+ \mid \mathcal{H}_t,M^+)$$| $X^+$ | 未来 RGB 帧序列，表示模型想象的未来视觉状态。 |
| $M^+$ | 与未来帧空间对齐的 value map，编码任务相关交互区域。 |
| $A^+$ | 未来连续机器人动作 chunk。 |
| $\mathcal{H}_t$ | 历史观测、历史动作和语言指令构成的上下文。 |
4.2 方法演变脉络
4.3 核心设计与数学推导
4.3.1 Tokenization 与前缀构造
三路输入分别是 packed RGB、packed ASVM 和连续动作。论文沿用 LingBot-VA 的多视角 packing：head camera 放在上方，左右 wrist camera 放在两侧，形成 T-pose canvas。
这个公式把 RGB 图像和 value map 都送进同一个 Wan2.2 VAE，使二者在 latent 空间几何对齐。
$$z_t^o = E_{\mathrm{vae}}( ilde x_t), \qquad z_t^m = E_{\mathrm{vae}}( ilde m_t)$$| $ ilde x_t$ | 三视角拼接后的 RGB observation。 |
| $ ilde m_t$ | 同样 T-pose layout 的 RGB ASVM。 |
| $z_t^o,z_t^m$ | VAE latent tokens；共享 VAE 避免重做视觉 tokenizer。 |
这个公式把动作和语言也变成 token，以便进入 Transformer 框架。
$$z_t^a=E_a(a_t),\qquad z^\ell=E_{\mathrm{t5}}(c)$$其中 $a_t\in\mathbb{R}^{d_a}$ 是双臂连续动作向量，$E_a$ 是轻量 MLP，$c$ 是语言指令。语言 token 只通过 cross-attention 注入 video model，不直接注入 action branch。
这个前缀定义了 rollout 时模型能看到的历史上下文。
$$\mathcal{H}^{\mathrm{tok}}_t=[z_{t-k:t}^o,\,z_{t-k:t-1}^a,\,z^\ell]$$它同时包含近期观测、近期动作和任务语言，用于估计机器人状态与预测未来 chunk。
4.3.2 Mixture-of-Transformers 三流架构
模型包含 video generation model 与 action head。video branch 由 Wan2.2 初始化，用于 future RGB 与 value-map generation；action head 深度相同但 hidden width 更小，用于 action denoising。
rollout 开始时，三个未来 token stream 都从噪声开始，再逐步 denoise。
$$\hat z_0^x,\hat z_0^m,\hat z_0^a\sim\mathcal{N}(0,I)$$value stream 还接收 learned value noise token $n^m$，实际输入为 $[\hat z_0^m,n^m]$。RGB 和 value map 沿同一 flow-matching trajectory denoise，action token 由 action head denoise。
每一路输出都由对应 decoder 还原为可解释对象。
$$\hat X^+=D_x(z^x),\qquad \hat M^+=D_m(z^m),\qquad \hat A^+=D_a(z^a)$$| $D_x$ | 未来 RGB 解码器。 |
| $D_m$ | value-map 解码器。 |
| $D_a$ | 连续动作解码器。 |
MoT 的关键是：attention 共享交互，FFN 保持分支专用。
$$Q_s^\ell=h_s^\ell W_{Q,s}^\ell,\quad K_s^\ell=h_s^\ell W_{K,s}^\ell,\quad V_s^\ell=h_s^\ell W_{V,s}^\ell,\quad s\in\{x,m,a\}$$每个 stream 先用自己的投影得到 Q/K/V，再投到共同 attention dimension 中做 masked shared self-attention，最后投回各自 hidden space 并走 branch-specific feed-forward。
训练目标同时约束未来视觉、空间意图和动作。
$$\mathcal{L}=\mathcal{L}_{\mathrm{rgb}}+\lambda_m\mathcal{L}_{\mathrm{map}}+\lambda_a\mathcal{L}_{\mathrm{act}}$$$\mathcal{L}_{\mathrm{rgb}}$ 和 $\mathcal{L}_{\mathrm{map}}$ 监督 flow-matching velocity field；$\mathcal{L}_{\mathrm{act}}$ 监督 inverse-dynamics action prediction。
4.3.3 Intent-Causal Self-Attention
这是 AIM 的结构性约束：action token 不允许直接 attend future RGB token，只能通过 future value token 访问未来信息。
三个 visible token set 定义了每一路在 shared attention 中能看见什么。
$$egin{aligned} \mathcal{V}_x&=[z_t^o,z_{t-k:t-1}^o,z_{t-k:t-1}^a,z^\ell,z^x],\ \mathcal{V}_m&=[z_t^o,z_{t-k:t-1}^o,z^x,z^m],\ \mathcal{V}_a&=[z_t^o,z_{t-k:t-1}^a,z^m,z^a]. \end{aligned}$$| $\mathcal{V}_x$ | future video 可看当前观测、历史观测/动作、语言和自身 future video token。 |
| $\mathcal{V}_m$ | future value map 可看当前/历史观测和 future video，使 value map 绑定到采样的未来状态。 |
| $\mathcal{V}_a$ | action 可看当前观测、历史动作、future value map 和自身 action token，但不能看 future RGB。 |
masked attention 只从对应 visible set 取 K/V。
$$ ilde h_s^\ell=\mathrm{Attn}(Q_s^\ell,K(\mathcal{V}_s),V(\mathcal{V}_s))$$因此任务语义先进入 video branch，future state 信息再汇入 value stream，action branch 最后只通过 value representation 接收 future information。
4.3.4 Self-Distillation RL Post-Training
Stage I 的监督学习让 action head 模仿数据集动作；Stage II 则在闭环环境中只更新 action head，冻结 video generator 和 value-map head，避免 future frame / value-map prediction 漂移。
dense reward 奖励动作落点是否落在模型自己预测的高 value 区域。
$$r_t=\lambda_d r_t^{\mathrm{dense}}+\lambda_s r_t^{\mathrm{sparse}},\qquad r_t^{\mathrm{dense}}=M_t(\Pi(p_t))$$| $r_t^{\mathrm{sparse}}$ | 环境级任务成功或完成信号。 |
| $p_t$ | 预测动作落点或末端执行器目标。 |
| $\Pi(\cdot)$ | 相机投影函数，把 3D 目标投到图像平面。 |
| $M_t$ | 冻结 value head 预测的 value map。 |
GRPO 用 clipped ratio 限制 action head 的策略更新幅度。
$$\mathcal{L}_{\mathrm{GRPO}}(\phi)=\mathbb{E}_t\left[\min\left( ho_t(\phi)\hat A_t,\mathrm{clip}( ho_t(\phi),1-\epsilon,1+\epsilon)\hat A_t ight) ight]$$ $$ ho_t(\phi)= rac{\pi_\phi(a_t\mid\mathcal{H}_t,m_{t+1:t+h})}{\pi_{\phi_{\mathrm{old}}}(a_t\mid\mathcal{H}_t,m_{t+1:t+h})}$$$\hat A_t$ 是基于 combined reward 的 advantage。作者称其为 self-distillation，因为冻结的 value head 在线指导 action head，不需要额外人工标签。
4.4 实现要点（面向复现）
- 视觉输入：三视角合成 T-pose canvas，保持与 Wan2.2 视频 VAE 的输入接口兼容。
- value-map 输入：初始化为纯黑图像，相当于 null value prior；通过 denoising 学出任务相关空间结构。
- 语言注入：T5 language token 只 cross-attend 到 video model；action head 的语言条件必须经过 world/value representation 间接传递。
- attention mask：实现时必须保证 action token 对 future RGB token 不可见，否则会破坏论文的 intent-causal 约束。
- 推理效率：autoregressive chunk-wise rollout 支持 KV cache，只对新增真实观测和预测 token 重新计算注意力。
- RL 稳定性：Stage II 冻结 video generation model 与 value-map head，只更新 action head。
5. 实验
5.1 实验设置
| 项目 | 设置 |
|---|---|
| 数据集 | 30K RoboTwin 2.0 simulation trajectories；每条含同步多视角视频、动作序列、任务 ID、per-step value-map annotations。 |
| 任务 | RoboTwin 2.0 的 50 个仿真 manipulation tasks，包含 Easy 与 Hard 两种设置。 |
| Backbone | video generation model 初始化自 Wan2.2-TI2V-5B。 |
| Baselines | $\pi_0$、$\pi_{0.5}$、X-VLA、Motus、Fast-WAM、Giga-World、LingBot-VA；另报告 Stage1 作为 RL 前监督模型。 |
| 指标 | Success Rate (SR)，按任务成功率统计。 |
| RL post-training | action head 从 Stage1 checkpoint 初始化；video generation model 和 value-map head 冻结。 |
| 硬件 / 超参数 | 正文未给出 GPU、训练时长、batch size、learning rate、$\lambda_m$、$\lambda_a$、$\lambda_d$、$\lambda_s$、GRPO clipping $\epsilon$ 的具体数值。 |
| 代码仓库 | arXiv 页面与源码未提供官方 GitHub / project URL。 |
5.2 Value-map 标注流程
| 任务类型 | 标注来源 | 生成方式 | 含义 |
|---|---|---|---|
| Pick | gripper 与目标物体有效抓取接触时的 contact surface point cloud。 | 用相机标定矩阵投影到图像平面，再做 Gaussian smoothing；核宽随相机参数和深度动态调整。 | grasp affordance region，即末端执行器与目标物成功物理交互的空间区域。 |
| Place | 物体达到稳定放置状态时，抓取物与目标支撑面的 contact region。 | 以 center-of-mass velocity 小阈值检测 placement completion，再投影接触区域生成 heat map。 | placement contact region，即满足放置目标时应接触环境的位置。 |
5.3 主要结果
| Setting | $\pi_0$ | $\pi_{0.5}$ | X-VLA | Motus | Fast-WAM | Giga-World | LingBot-VA | Stage1 | AIM |
|---|---|---|---|---|---|---|---|---|---|
| Easy | 65.9% | 82.7% | 72.8% | 88.7% | 91.9% | 87.0% | 92.9% | 93.0% | 94.0% |
| Hard | 58.4% | 76.8% | 72.8% | 87.0% | 91.8% | 85.0% | 91.6% | 92.0% | 92.1% |
| Average | 62.2% | 79.8% | 72.8% | 87.8% | 91.8% | 86.0% | 92.2% | 92.5% | 93.1% |
逐列看，AIM 比 Motus 在 Easy / Hard 上分别高 +5.3% / +5.0%；比 $\pi_{0.5}$ 分别高 +11.3% / +15.3%。Stage1 已达 93.0% / 92.0%，Stage II RL 进一步到 94.0% / 92.1%，说明主要收益来自空间接口和监督训练，RL post-training 提供额外小幅提升。
展开：50 个任务的 per-task SR 表
| Task | $\pi_{0.5}$ Easy | $\pi_{0.5}$ Hard | X-VLA Easy | X-VLA Hard | Motus Easy | Motus Hard | Stage1 Easy | Stage1 Hard | AIM Easy | AIM Hard |
|---|---|---|---|---|---|---|---|---|---|---|
| Adjust Bottle | 100% | 99% | 100% | 99% | 89% | 93% | 98% | 99% | 100% | 100% |
| Beat Block Hammer | 96% | 93% | 92% | 88% | 95% | 88% | 98% | 100% | 100% | 100% |
| Blocks Ranking RGB | 92% | 85% | 83% | 83% | 99% | 97% | 91% | 77% | 92% | 77% |
| Blocks Ranking Size | 49% | 26% | 67% | 74% | 75% | 63% | 47% | 44% | 47% | 43% |
| Click Alarmclock | 98% | 89% | 99% | 99% | 100% | 100% | 98% | 99% | 100% | 100% |
| Click Bell | 99% | 66% | 100% | 100% | 100% | 100% | 98% | 99% | 100% | 100% |
| Dump Bin Bigbin | 92% | 97% | 79% | 77% | 95% | 91% | 98% | 100% | 100% | 100% |
| Grab Roller | 100% | 100% | 100% | 100% | 100% | 100% | 98% | 99% | 100% | 100% |
| Handover Block | 66% | 57% | 73% | 37% | 86% | 73% | 92% | 89% | 93% | 90% |
| Handover Mic | 98% | 97% | 0% | 0% | 78% | 63% | 82% | 82% | 83% | 81% |
| Hanging Mug | 18% | 17% | 23% | 27% | 38% | 38% | 43% | 43% | 43% | 42% |
| Lift Pot | 96% | 85% | 99% | 100% | 96% | 99% | 98% | 100% | 100% | 100% |
| Move Can Pot | 51% | 55% | 89% | 86% | 34% | 74% | 99% | 97% | 100% | 98% |
| Move Pillbottle Pad | 84% | 61% | 73% | 71% | 93% | 96% | 97% | 99% | 97% | 98% |
| Move Playingcard Away | 96% | 84% | 93% | 98% | 100% | 96% | 98% | 100% | 100% | 100% |
| Move Stapler Pad | 56% | 42% | 78% | 73% | 83% | 85% | 91% | 83% | 92% | 84% |
| Open Laptop | 90% | 96% | 93% | 100% | 95% | 91% | 98% | 100% | 100% | 100% |
| Open Microwave | 34% | 77% | 79% | 71% | 95% | 91% | 83% | 80% | 83% | 79% |
| Pick Diverse Bottles | 81% | 71% | 58% | 36% | 90% | 91% | 99% | 97% | 100% | 98% |
| Pick Dual Bottles | 93% | 63% | 47% | 36% | 96% | 90% | 92% | 90% | 93% | 91% |
| Place A2B Left | 87% | 82% | 48% | 49% | 82% | 79% | 93% | 91% | 94% | 92% |
| Place A2B Right | 87% | 84% | 36% | 36% | 90% | 87% | 89% | 89% | 90% | 88% |
| Place Bread Basket | 77% | 64% | 81% | 71% | 91% | 94% | 92% | 90% | 93% | 91% |
| Place Bread Skillet | 85% | 66% | 77% | 67% | 86% | 83% | 98% | 100% | 100% | 100% |
| Place Burger Fries | 94% | 87% | 94% | 94% | 98% | 98% | 98% | 100% | 100% | 100% |
| Place Can Basket | 62% | 62% | 49% | 52% | 81% | 76% | 78% | 77% | 78% | 76% |
| Place Cans Plasticbox | 94% | 84% | 97% | 98% | 98% | 94% | 98% | 100% | 100% | 100% |
| Place Container Plate | 99% | 95% | 97% | 95% | 98% | 99% | 100% | 96% | 100% | 97% |
| Place Dual Shoes | 75% | 75% | 79% | 88% | 93% | 87% | 100% | 99% | 100% | 98% |
| Place Empty Cup | 100% | 99% | 100% | 98% | 99% | 98% | 98% | 100% | 100% | 100% |
| Place Fan | 87% | 85% | 80% | 75% | 91% | 87% | 93% | 89% | 93% | 90% |
| Place Mouse Pad | 60% | 39% | 70% | 70% | 66% | 68% | 97% | 96% | 97% | 95% |
| Place Object Basket | 80% | 76% | 44% | 39% | 81% | 87% | 93% | 88% | 93% | 89% |
| Place Object Scale | 86% | 80% | 52% | 74% | 88% | 85% | 100% | 97% | 100% | 98% |
| Place Object Stand | 91% | 85% | 86% | 88% | 98% | 97% | 98% | 100% | 100% | 100% |
| Place Phone Stand | 81% | 81% | 88% | 87% | 87% | 86% | 82% | 81% | 82% | 80% |
| Place Shoe | 92% | 93% | 96% | 95% | 99% | 97% | 98% | 100% | 100% | 100% |
| Press Stapler | 87% | 83% | 92% | 98% | 93% | 98% | 96% | 95% | 96% | 94% |
| Put Bottles Dustbin | 84% | 79% | 74% | 77% | 81% | 79% | 80% | 75% | 80% | 74% |
| Put Object Cabinet | 80% | 79% | 46% | 48% | 88% | 71% | 81% | 75% | 81% | 74% |
| Rotate QRcode | 89% | 87% | 34% | 33% | 89% | 73% | 98% | 99% | 100% | 98% |
| Scan Object | 72% | 65% | 14% | 36% | 67% | 66% | 98% | 97% | 100% | 98% |
| Shake Bottle Horizontally | 99% | 99% | 100% | 100% | 100% | 98% | 98% | 100% | 100% | 100% |
| Shake Bottle | 99% | 97% | 99% | 100% | 100% | 97% | 98% | 100% | 100% | 100% |
| Stack Blocks Three | 91% | 76% | 6% | 10% | 91% | 95% | 100% | 99% | 100% | 98% |
| Stack Blocks Two | 97% | 100% | 92% | 87% | 100% | 98% | 98% | 100% | 100% | 100% |
| Stack Bowls Three | 77% | 71% | 76% | 86% | 79% | 87% | 100% | 99% | 100% | 98% |
| Stack Bowls Two | 95% | 96% | 96% | 93% | 98% | 98% | 100% | 97% | 100% | 98% |
| Stamp Seal | 79% | 55% | 76% | 82% | 93% | 92% | 100% | 100% | 100% | 100% |
| Turn Switch | 62% | 54% | 40% | 61% | 84% | 78% | 100% | 99% | 100% | 98% |
5.4 消融与补充结果
论文显式报告的 ablation 是 Stage1 vs AIM：Stage1 表示 RL post-training 前的监督模型，AIM 表示加入 self-distillation RL 后的模型。平均 SR 从 92.5% 到 93.1%，Easy 从 93.0% 到 94.0%，Hard 从 92.0% 到 92.1%。这说明 RL 后训练的额外提升存在，但幅度小于与外部 baselines 的差距。
作者指出收益较明显的任务集中在 contact-sensitive 与 stage-dependent manipulation：Place Mouse Pad 达 97% / 95%，Scan Object 达 100% / 98%，Turn Switch 达 100% / 98%。这些任务需要准确定位任务相关交互区域。
7. 分析、局限与边界
7.1 这篇论文最有价值的地方
基于论文自身表述与实验，AIM 的核心价值在于把“未来视觉预测”与“动作解码”之间的隐式耦合拆成可检查的空间接口：future frame 负责场景演化，value map 负责 task-relevant interaction region，action head 只通过 value map 读取未来信息。这个结构让模型的性能提升可以和可视化中的 value-map localization、projected action target 对齐起来。
7.2 结果为什么站得住
论文给出的证据有三层：第一，平均 SR 表中 AIM 在 Easy / Hard / Average 三个汇总维度均高于外部 baselines；第二，Stage1 到 AIM 的对比隔离了 RL post-training 的贡献；第三，作者对 contact-sensitive tasks 的分析与可视化说明，future frames、value maps 和 projected actions 在操作阶段上保持一致，支持“收益来自 spatial bridge 而非 shortcut correlations”的原文解释。
7.3 论文已给出的结果分析与解释
- 作者解释 AIM 在 contact-sensitive 与 stage-dependent tasks 上收益较明显，因为这些任务依赖准确定位交互区域。
- 作者指出 value maps concentrate on meaningful interaction regions rather than generic saliency，projected action targets fall within high-value areas。
- 作者将 Stage1 的高性能归因于 joint frame-value generation 与 intent-causal attention，RL post-training 只带来进一步提升。
7.4 作者自述的局限性
正文和 Conclusion 没有单独列出 limitations，也没有明确声明失败案例。可以从实验设置客观归纳出论文覆盖边界：实验在 RoboTwin 2.0 仿真环境中进行，value-map annotation 依赖仿真 contact API、相机标定和物理状态；正文未报告真实机器人实验、跨数据集泛化、训练成本、超参数敏感性或失败任务分析。以上是基于原文实验范围的覆盖边界，不是额外性能判断。
7.5 适用边界与讨论
- 适用场景：多视角、语言条件、接触密集 manipulation，且可获得或自动生成 value-map supervision 的设置。
- 关键前提：value map 必须与未来 RGB 在空间上对齐；intent-causal mask 必须阻断 action branch 对 future RGB 的直接访问。
- 数据前提：训练依赖 30K 含多视角视频、动作和 per-step value-map annotations 的 RoboTwin trajectories。
- 未覆盖内容：源码未提供 Appendix；未给完整超参数、硬件、训练时长、代码仓库或真实机器人部署细节。
验收记录
- 章节覆盖：Abstract、Introduction、Related Work、Overview、Method、Dataset and Value-Map Annotation、Experiments、Conclusion 均已映射到报告章节。
- 图表覆盖：三张独立 PNG 图均已复制并嵌入；两张结果表已以 HTML 表格重建，其中 per-task 表放入折叠区域。
- 附录覆盖：源码无 Appendix；报告已明确标注。
- 客观性：分析与局限均基于原文实验、图表和 Conclusion，不加入额外改进建议。