Spotter 提供了一种很实用的 System 1 / System 2 分工：快速的具身策略负责熟练动作，慢速的大模型负责监控、解释和少量纠错。有同期工作统计过，前沿大模型在 RoboDojo 上当 agent、一步步控制机器人，一个回合平均要 9～25 分钟（任务不同，看量级就好）。：VLM 规划一段，具身模型执行一段，VLM 再决定下一步，具身模型被当成工具调用。还是用抓青柠的例子：Spo