Temporal Representation Alignment：后继特征使机器人指令遵循涌现组合性

基于摘要分析。本文研究机器人指令遵循中的组合泛化：智能体学习基本任务后，如何通过组合这些任务的表征完成多步骤复合任务。作者提出 Temporal Representation Alignment，以时间对齐损失关联当前状态与未来状态的表征，使学得的表示更有利于任务组合。 核心机制是利用状态之间的时间关系塑造表征，而非依赖显式子任务规划或强化学习。标题将这一机制与后继特征（Successor Features）联系起来，但摘要未给出后继特征的具体定义、时间对齐损失形式，以及训练与推理时如何组合表征，不能据此补写实现细节。 作者报告，在多种机器人操作任务及仿真评估中，该方法对语言指令和目标图像两类任务描述均带来显著改善。摘要未提供具体任务集合、数据规模、训练与测试划分、对照基线或量化指标，因此尚不能判断收益大小，以及评估覆盖的是何种未见任务组合；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机器人任务表征，并非 EEG 解码或 BCI。摘要没有建立其机制与神经信号任务之间的具体对应关系，不宜将机器人上的组合泛化结果视为 BCI 有效性的证据；已有 EEG 相关工作尚未检索确认。复现前需核对状态与未来状态的采样方式、任务描述编码方式，以及基本任务和复合任务之间的划分。