VLA 模型存在指令-动作绑定缺陷，ECT 训练将反事实成功率从 36% 提升至 59%

为什么 VLA 模型在需要改变动作的反事实扰动下失败，以及如何在训练中缓解这种失败？

VLA 模型在分布内任务上成功率可超过 90%，对保留动作的扰动也稳健，但在物体位置交换或目标改变等反事实变化下成功率大幅下降。失败并非因为忽略语言或视觉，而是模型选取了熟悉的轨迹族（通常是源任务或其他已演示任务），视觉反馈仅用于执行该轨迹，而非根据当前指令和场景重新选择任务级动作。现有的演示数据往往只包含同指令下的单一动作族，条件动作支持不足，导致仅依赖指令的解决方案也能拟合训练数据，无法泛化到需要不同动作的场景。

此前用于 VLA 微调的标准模仿学习直接使用任务特定演示，通常一个指令对应一组窄的轨迹族；一些方法通过改变指令或场景构造数据（如 CAST、RoCoDA、MimicGen），或在推理时加强语言条件（如 CAG），但未系统解决同指令下场景变化要求不同动作的监督缺口。这些方法没有显式提供成对的、同一指令但不同场景且不同动作的有效演示，也没有在优化时利用这种对应关系。

ECT 包含两个层面。ECT 数据通过几何变换（如镜像、平移）并重放动作，为原始演示构造同一指令下场景不同、所需动作不同的有效演示对；在 CALVIN 中直接利用已有的自然对应演示；在真实机器人上按固定预算采集不同布局下的物理演示。ECT 损失在每次参数更新中同时计算一对演示的模仿损失并求和，不引入辅助目标。该方法保持策略架构不变，并可分别评估数据与损失两个组件的贡献。关键设计是构造的演示对必须让场景能区分所需动作，否则会破坏性能（例如仅前后镜像而不改变可辨识特征导致 ID 成功率从 94% 降至 24%）。

在 LIBERO-PRO 四个套件的控制实验中（Frozen-LM π0.5，相同步数和批量大小），Standard 的平均 Swap 成功率为 36%，ECT data + ECT loss 为 59%；Task 成功率从 21% 提高到 28%。分套件看，ECT 使 Spatial Swap 从 52.7% 提高到 74.4%，Object Swap 从 38.3% 到 70.8%，Goal Swap 从 41.3% 到 55.5%，Long Swap 从 12.7% 到 34.7%。ECT 数据贡献大部分提升，ECT 损失在 Spatial、Goal、Long 上额外增加 2.3、3.7、5.2 个百分点，但在 Object 上略微下降 0.3 个百分点。在 381 个行为探针上，ECT 模型对变更要求的遵循率从 27% 提高到 48%，检索式失败从 69% 降至 47%。在 CALVIN ABC→D 上，仅使用 ECT 损失（不增加新演示）将 LH-5 从 57.6% 提高到 75.6%；完整 ECT 达到 70.6%。在真实 UR5e 上（每主模型 400 个演示），Standard 未见位置成功率为 3/40，ECT data 为 30/40，ECT data + ECT loss 为 35/40；ID 成功率保持在 37/40 至 40/40。官方 π0.5 和 GR00T-N1.7 在每个套件的 nuisance 单元均高于 counterfactual 单元，Swap 和 Task 至少低于 ID 42 个百分点。

作者承认 ECT 只改善训练数据中暴露的区分，对未出现在训练替代方案中的区分（例如 Spatial 套件中物体名称不变）不会产生改进；Object 套件上 ECT 损失带来 -0.3 个百分点的变化，显示损失组件并非在所有套件都提供增益。GR00T 实验仅使用 ECT 数据，未评估 ECT 损失。CALVIN 实验为单种子，LIBERO-PRO 的 Frozen-LM 行为三种子平均，但 Full-FT 和 GR00T 为单模型。真实机器人评估规模较小（每模型 400 演示，未见位置仅 40 次试验）。论文为预印本，尚未经过同行评审。