连接方式至关重要：视觉-语言-动作策略中可供性头的注入拓扑与初始化

基于摘要分析。本文研究视觉-语言-动作（VLA）策略中，密集可供性监督如何在提供辅助信息的同时避免损害指令遵循，主要研究对象是 LIBERO 上的机器人策略，而非 EEG/BCI。作者提出让可供性头通过 stop-gradient 读取主干特征，再将该头的中间特征经可学习桥接注入动作专家。 核心机制是隔离辅助任务对主干的梯度影响，同时保留辅助特征参与动作预测的路径。作者报告，在 LIBERO 评估中，允许可供性梯度进入主干时，策略表现为 85.5%，低于不带辅助头的基础策略 93.1%。在保护主干后，作者进行同预算的 2×2 消融，比较拼接与残差两种注入拓扑，以及零初始化与随机初始化两种桥接初始化，认为初始化是主要影响因素。 作者报告，采用主动初始化的残差桥接时，评估表现达到 96.2%，与更复杂的三专家 AffordanceVLA（95.8%）相近，额外参数低于 1%。这些数值均来自摘要所述 LIBERO 比较；具体指标定义、任务汇总方式、数据划分与统计不确定性尚未验证。两项机制探针显示，直接输入真实可供性反而损害表现；推理时将桥接置零的干预则支持作者的解释：惰性桥接主要发挥训练期正则化作用，而主动桥接成为推理时实际依赖的组成部分。 平台推测（待验证）：若 EEG 解码系统已有可用的辅助监督，该梯度隔离与特征桥接机制可能用于检验辅助任务是否干扰主任务。可复用的是 stop-gradient、桥接及推理期置零探针，需改造的是信号编码器、辅助目标和任务输出；低信噪比、小样本及跨被试差异可能使桥接学习到不稳定信息。一个可证伪的小实验是在固定跨被试划分和训练预算下，比较无辅助头、直接联合训练及隔离梯度后桥接三种设置，并在推理时置零桥接，以区分正则化收益与实际特征贡献。该假设不构成已证实的 BCI 效果，已有 EEG 相关工作尚未检索确认；原论文完整实验协议、消融及统计信息尚未验证。