VLA 真的遵循指令吗？诊断视觉-语言-动作模型对执行方式层面指令的遵循能力

视觉-语言-动作（VLA）模型能否不仅理解“做什么”，还遵循“如何做”的指令，是本文的核心问题。研究通过诊断现有 VLA、引入分段级丰富指令训练及 SIMPLER-IN 评估，考察动作响应、任务成功与执行方式约束满足之间的差异。基于摘要分析，未取得论文全文。 作者将指定任务的指令称为 What-level，将指定执行方式的指令称为 How-level。作者报告，在其诊断设置下，How-level 指令未能帮助当前 VLA，反而降低了任务成功率；摘要未提供具体模型、任务、对照配置或数值，因此结论的适用范围仍需结合全文核对。 机制上，作者假设每个训练 episode 仅配一条指令，会限制模型学习执行方式层面的指令遵循。作者报告，采用分段级丰富指令训练后，动作能够对这类指令作出响应，但任务成功率并未得到一致提升。这提示应区分“动作随指令变化”与“正确完成受指令约束的任务”，不能将前者直接视为后者。 为超越常规任务成功评估，作者提出 SIMPLER-IN，其成功判定要求满足仅由指令给出的条件。作者报告，训练带来的响应能力未能推广到要求更高或分布外的 How-level 指令，因此将此类指令遵循视为尚未解决的问题。 分段指令的构造与监督方式、具体训练目标、SIMPLER-IN 的任务组成和划分、成功判据、实验协议、消融及统计信息尚未验证。本文的主要研究对象是 VLA 指令遵循；所给摘要未提供 EEG 或 BCI 实验，不能据此推断其对神经信号建模或 BCI 控制的有效性。