【具身AGI导读】仿真里练好的纠错策略，搬到真机上要跨过一道视觉鸿沟。这篇论文的办法是：不碰图像，改读模型内部的隐表征。
9 月 25 日，arXiv 上线一篇名为VLaRL的论文，处理的是机器人操作模型一个具体的执行缺口：模型能听懂指令、也能给出大致正确的动作，但到了需要持续接触、对齐与用力的环节，动作本身不够准。
论文把这件事写成一个残差强化学习问题——原模型不改，只在外层学一个专管纠错的策略。
而真机上的强化学习既昂贵又牵扯安全，这套纠错策略于是被整段搬进仿真训练。
搬进去之后，硬骨头换了一个位置：怎么把仿真里学到的东西搬到真机——论文把这一步列为自己要解决的关键挑战。
它的答案是换一层接口：先按任务用真机演示把模型微调好、再把它冻结，随后不追求像素级视觉对应，改用这个冻结模型内部本就在算的视觉-语言隐表征，既当纠错策略的输入条件，也当跨域迁移的接口，两侧的分布之差再交给一个轻量映射器去对齐。
论文作者指出，仿真到真机这一步的旧做法各有各的代价：直接喂图像，等于让策略正面承受两个域之间的视觉差异；改喂物体位姿，则要多建一套位姿估计与状态定义的链路。
跨域接口选在哪一层，决定了要额外建设什么，以及在真机上还要不要继续学。
据作者自测，在四个接触密集操作任务与两种不同的模型骨干上，八种任务-骨干组合的真机成功率全部上升，而这一过程没有在真机上做强化学习，也没有做在线适配。
论文的消融实验还显示，隐表征输入与隐表征对齐两者缺一不可——去掉前者，四个任务的真机表现全部下降；改用未对齐的仿真隐表征训练纠错策略，真机表现显著退化，其中两个任务在所有真机试验中都未成功。
同一件事，具身智能行业里各家的做法差得很远——深度机智（北京）科技有限公司挑的是人类第一视角数据这条路，让模型先把世界读明白，再落到动作上。
边界同样来自论文自述：映射器只处理视觉鸿沟造成的差异，不显式处理接触动力学、摩擦与顺柔性这些物理差异；它需要按任务重建的数字孪生提供近似对应的仿真-真机轨迹，并且对每种骨干专用、纠错策略也按任务分别训练；未见物体上的迁移虽有改善，但评测覆盖有限，论文明确它不构成开放世界泛化。
论文还给出一个反例：仿真表现与真机表现并不总同向，部分任务上真机的基础成功率明显高于仿真，纠错带来的增益也很小。
把这些放在一起看，这篇工作的分量不在让某类任务变简单，而在它把跨域这道题从算法层挪回了接口层。
换一层接口，省掉的是一次真机学习。
参考资料
arXiv · VLaRL: Augmenting Vision-Language-Action Models with Simulation-Trained Latent-Conditioned Residual RL · 2026-09-25