任务

对于具身AGI来说，这是一个不能接受的问题，我们期待的是一个在各种环境下能听懂人的各种表述形式的任务指令的机器人。

第一次前向中，Qwen接收真实图像和任务指令；

该分支同时接收当前图像和任务指令，因此语言token并不是由文本单独编码得到，而是在视觉—语言联合建模过程中产生。

这说明三类架构处理任务语义的方式并不相同：VLA-Adapter将语言信息送入相对独立的Bridge-Attentionpolicy，控制位置较为集中；

上面的实验只能说明任务结构仍然存在。

分析1：失败动作里，仍然保留着正确任务的结构

对于具身AGI来说，这是一个不能接受的问题，我们期待的是一个在各种环境下能听懂人的各种表述形式的任务指令的机器人。

它保持机器人面对的场景、物体、初始状态和成功标准不变，只改写任务指令中的动作表达、物体描述，或同时改写两者，用来测试模型在任务没变、只是换了一种等价表述的情况下能否继续正确执行任务。

第一次前向中，Qwen接收真实图像和任务指令；

该分支同时接收当前图像和任务指令，因此语言token并不是由文本单独编码得到，而是在视觉—语言联合建模过程中产生。

为了确认这一位置确实参与任务控制，论文还进行了wrong-taskintervention：将语言特征替换成另一个错误任务的特征后，模型生成的动作会向被注入的错误任务偏移。

SmolVLA和π0.5则在多层多模态计算中持续融合语言、视觉和状态，任务信息更加分散。

为了判断任务信息是否已经消失，论文首先设计了一个动作级检索实验。

但它至少说明，语言改写并没有让正确任务信息彻底消失。