PAIR：衔接视觉-语言-动作模型中的感知与动作

基于摘要分析。该研究面向将视觉观测和语言指令映射为连续机器人动作的 Vision-Language-Action（VLA）模型，提出 PAIR，通过显式学习共享的感知—动作中间表示，衔接场景与指令表征和动作生成表征，而非主要依赖最终动作预测损失完成这一转换。 训练时，Masked Action Autoencoder 将专家动作片段编码为与预测时域对齐的 Action Latent Tokens；Bridge Module 从当前视觉—语言表示中提取任务相关特征，并将其与动作潜变量对齐，形成兼顾任务信息和专家动作结构的 Bridge Tokens。随后，这些 Bridge Tokens 被投影至动作 token 空间并注入初始 Action Tokens，为 Action Expert 的后续细化提供面向动作生成的起点。推理时移除自编码器，仅根据当前观测与指令生成 Bridge Tokens。摘要未提供对齐损失、掩码策略及训练细节，尚不能确认其具体实现。 作者报告，在 LIBERO、LIBERO-Plus 和 CALVIN ABC-D 上，PAIR 为所评估的 OpenVLA-OFT 与 VLA-Adapter 带来收益。其中，LIBERO-Plus 上 VLA-Adapter 的成功率由 59.1% 提升至 64.2%；CALVIN ABC-D 上其平均完成序列长度由 4.42 提升至 4.53；七项真实世界任务中，OpenVLA-OFT 的成功率由 51.4% 提升至 65.0%。这些指标对应不同任务与评估背景，不能直接横向比较。作者还报告，表示分析显示 Bridge Tokens 保留任务信息，并在 Action Expert 细化前使连续动作信息可被利用。实验划分、试验次数、统计不确定性、消融及复现条件尚未验证。 平台推测（待验证）：若 EEG 驱动的连续控制任务具有同步的神经信号与专家动作序列，可假设动作潜变量监督有助于衔接神经表征和控制输出；动作编码与对齐思路可能复用，但需改造视觉—语言编码端及时间对齐机制。该假设依赖可靠的动作监督，可能受 EEG 低信噪比、神经—动作时延、跨被试与通道差异及小数据规模影响。一个可检验的小实验是在固定数据划分、编码器和动作预测器下，对比有无中间动作对齐监督的连续控制误差，再检查跨被试表现。原论文结果不构成 BCI 有效性证据，相关 EEG 工作尚未检索确认。