Suppression Sticks, Locality Is Fragile: A Closed-Loop Target-and-Control Audit of Task-Vector Negation in VLA Policies
arXiv 论文（2608.04692v1）对多任务视觉-语言-动作（VLA）策略进行任务向量减法审计。在 LIBERO-Goal 的十个技能中，减法产生三种结果：五个技能目标-控制分离，三个抵抗，两个全局崩溃。五个可抑制目标在未见初始状态下成功率为 0%，平均基线归一化控制保留率为 52%，每个目标抑制编辑至少损害一个无关控制。连续回归、离散 token 和流匹配动作头均显示分离，而 Spatial 面板无分离，Object 和 Long-horizon 面板控制崩溃。
Development
- First ReportSuppression Sticks, Locality Is Fragile: A Closed-Loop Target-and-Control Audit of Task-Vector Negation in VLA PoliciesarXiv cs.RO
- Current Assessment该研究对机器人策略的可编辑性提出警示：简单的任务向量减法可能破坏多任务性能。这影响机器人基础模型的迭代部署，提示需要更安全的干预方法。Agent Pulse · analysis
该论文对多任务视觉-语言-动作（VLA）策略中的任务向量减法进行了目标与控制审计。在 LIBERO-Goal 基准的十个技能中，减法产生三种定性不同的状态：五个技能实现目标-控制分离，三个抵抗，两个全局崩溃。在未见初始状态下，五个可抑制目标保持 0% 成功率，但平均基线归一化控制保留率仅为 52%，且每个目标抑制编辑至少损害一个名义上无关的控制。额外的 Goal 面板在连续回归、离散 token 和流匹配动作头中均显示分离，而 Spatial 面板无分离，Object 和 Long-horizon 面板出现控制崩溃。平均任务向量余弦无法解释这种差异。匹配范数控制识别出围绕一个 Goal 锚点的局部符号不对称，而多向量结果随锚点和尺度变化。保留感知梯度基线提供数据依赖的见解。
任务向量减法在闭环机器人控制中缺乏行为局部性：抑制一个技能会损害无关控制，且效果因技能和动作头而异。平均任务向量余弦无法预测行为结果，表明需要更细粒度的干预分析。匹配范数控制揭示符号不对称，暗示任务向量方向而非幅度是关键。
该研究对机器人策略的可编辑性提出警示：简单的任务向量减法可能破坏多任务性能。这影响机器人基础模型的迭代部署，提示需要更安全的干预方法。
对于开发多任务机器人策略的公司，该研究提示任务向量编辑的风险，可能影响产品迭代的安全性和效率。投资于可编辑性研究可能带来更稳健的模型更新流程。
后续研究可能探索保留感知的梯度方法或更复杂的干预策略，以在抑制目标技能时保持控制性能。可验证信号：新方法在 LIBERO 基准上实现更高控制保留率。