如果训练太多次判别器再训练生成器，那么可能导致【模式崩溃】（不管给什么噪声，输出结果一样）因为生成器没有直接接触样本，而是通过判别器告诉它像不像，就像枯叶蝶不知道枯叶长什么样子；源码地址：http://www.github.com/goodfeli/adversarial。论文链接：https://arxiv.org/abs/1406.2661。而是采用的深度学习，深度学习中有完备的训练技巧。条件

机器人领域的一些Key insights 操作应回归物理本质 操作应回归物理本质 提出人：Matthew T. Mason，卡耐基梅隆大学的机器人学教授blog：https://mtmason.com/the-heart-of-robotic-manipulation/观点： 操作的关键在于理解并利用物理世界的基本规律举例：摩擦锥 friction cone（给定法向压力的情况下，最大能产生的侧

本质: 这个过程就像一个艺术家在用无数个可塑形的、可变色的“智能粘土球”（高斯体）来雕刻一个与现实一模一样的模型。核心思想: 不再试图填充一个完整的网格，而是使用一组可学习的、稀疏的“查询向量”（Object Queries）作为“探针”，主动去图像中寻找并“提炼”与特定物体相关的信息。本质: 这是一种更有针对性的提炼。最终得到的是一组包含了物体信息的向量，而不是一个完整的场景地图。核心思想: 不

用ray casting算法可以使用lidar信息，提取出类似2d visibility的区域，将这种信息给到自动驾驶规划蹭，可以得出更合理的轨迹。如果和【wall tracking墙面跟踪】结合起来的话，可以再简单一点，其思想是沿着中心点旋转，找到最近的不被遮挡的端点，即可构成三角形。当然，这样的话得发出非常多的光线，其实也可以在知道所有的墙或者障碍物的端点的情况下，按顺序遍历端点，然后就可以找

但是由于预训练数据和特定任务的分布不一致（比如预训练中是抓蓝色杯子，但是任务是抓红色杯子），导致抓取动作的概率很低。VLA提供动作分布和置信度，外部验证器利用多模态大模型（比如GPT-4V）对开放世界的理解能力，通过自然语言推理对任务和动作进行重新评估，使得正确动作的概率更高。策略引导是指的将模型输出的多种轨迹进行评估，从而选择最佳的轨迹。好处是：不需再SFT，通过初始的采样轨迹，剔除差的，保留好

设计了指标敏感的过程奖励函数（Metric-sensitive Process Reward），不仅关注最终预测点的准确性（结果奖励），还通过过程奖励（Accuracy Reward）对中间推理步骤的感知精度进行评估和激励。尽管现有的视觉语言模型（VLM）很强大，但在处理复杂的3D场景和根据指令动态推理交互位置方面仍存在不足。结论：实验证明，通过结合专用深度编码器（SFT）和指标敏感的过程奖励（R

但是要注意：噪音背景需要和清晰的音频一样diverse，不能音频有1000条，噪音只有1条，要不然可能过拟合。为了能够使其适用于TaskB，需要对模型进行进一步训练，这个过程取决于taskB的样本数量。make similar的方法包括数据合成。比如含有噪音的音频。迁移学习是原本适用于taskA的模型同样应用在taskB。训练集和验证集的数据分布不同。模型没见过，没学习到；该方法在音频识别种效果很

去掉Value model（Critic model），无需额外的价值函数。

去掉Value model（Critic model），无需额外的价值函数。

设计了指标敏感的过程奖励函数（Metric-sensitive Process Reward），不仅关注最终预测点的准确性（结果奖励），还通过过程奖励（Accuracy Reward）对中间推理步骤的感知精度进行评估和激励。尽管现有的视觉语言模型（VLM）很强大，但在处理复杂的3D场景和根据指令动态推理交互位置方面仍存在不足。结论：实验证明，通过结合专用深度编码器（SFT）和指标敏感的过程奖励（R