ForkCast：通过反事实未来实现视觉-语言-动作策略的预测性恢复

基于摘要分析。ForkCast 研究机器人操作中物体滑移与视觉遮挡导致的视觉-语言-动作（VLA）策略执行受扰问题，提出在冻结 VLA 策略的情况下，通过比较不同候选动作的预测未来，统一决定是否干预及采用何种恢复方式。 在每个决策点，框架比较三类候选：执行原策略的动作块（Commit）、调整相机视角（Reobserve）和重新规划机械臂轨迹（Replan）。以候选为条件的世界模型预测它们在共同未来时域上的潜在结果，再由共享的任务进展预测头评分。其关键设计是将原策略继续执行也纳入比较，而不是先检测失败、再触发预设修复。作者称该决策不需要失败检测器、干预阈值或更新 VLA 主干；世界模型结构、训练目标、候选生成方式及任务进展监督来源尚未验证。 作者报告，在注入遮挡与物体滑移的五个 RoboTwin 2.0 仿真任务上，ForkCast 将汇总成功率从冻结 π₀.₅ 策略的 13.3% 提升至 30.0%；还在不更新 ForkCast 的情况下迁移至另外两个 VLA 主干。经真实机器人候选 rollout 数据适配后，作者报告其在无额外干扰和可见性受限条件下均优于基础策略，但摘要未提供具体数值。实验协议、任务级结果、消融及统计信息尚未验证；代码仅声明将发布，不能视为已经可用。 平台推测（待验证）：其可迁移机制是假设闭环 BCI 控制也能将“继续执行、重新观测、重规划”作为候选，通过预测任务进展选择干预。原方法依赖可比较的候选 rollout、世界模型与任务进展监督，而非直接处理 EEG。可复用的是候选比较逻辑；状态表征、候选含义和动力学模型需针对神经解码控制改造。低信噪比、跨被试或通道变化、小规模交互数据，以及主动重观测的时间成本，都可能使未来预测或评分失准。一个可检验的小实验是在带受控解码扰动的 BCI 光标仿真中，固定解码器，比较仅续行与候选预测选择的任务完成率、恢复时间及干预次数。已有 EEG 相关工作尚未检索确认，此实验建议不代表已有 BCI 有效性证据。