ALIGN：对齐优势条件行为克隆中的条件估计与表达

基于摘要分析。该研究面向机器人操作中成功、重试、暂停、恢复与失败并存的混合质量示范数据，提出用于 vision-language-action 策略的优势条件行为克隆（AC-BC）框架 ALIGN，旨在同时改善条件信号的估计准确性及其对动作预测的实际影响。 其核心机制针对两个环节：既有流程可能将估计器输出的 advantage 分数阈值化为含噪条件，也可能通过对动作向量场影响较弱的提示传递条件。ALIGN 直接在策略使用的标签空间中预测类别式成对条件，并将条件通过与 flow time 融合的 AdaRMS 调制注入 DiT 动作专家，使条件估计与动作向量场预测中的条件表达保持一致。具体标签构造、训练目标及模块配置尚未验证。 作者在 ARX X5 碗堆叠与 Franka 钥匙悬挂两项真实机器人任务上评估，两个数据集均刻意混合标准示范和含大量重试的轨迹。作者报告，ALIGN 在两项任务上的闭环成功率分别为 90.0% 和 56.7%，最强 AC-BC 基线分别为 56.7% 和 33.3%；同时报告条件保真度与条件向量场可分离性得到改善。评估次数、数据划分、基线具体配置、消融及统计信息尚未验证，不能据此推断其他任务中的收益。 平台推测（待验证）：其可迁移假设主要涉及由 EEG/BCI 提供高层条件、生成模型负责机器人动作的共享控制场景，而非直接构成 EEG 解码方法。可考虑复用条件调制思路，但需将轨迹质量条件改造为具有明确监督依据的意图或置信条件，并处理低信噪比、跨被试偏移及小数据导致的条件误差。一个可证伪的小实验是固定动作生成器和 EEG 解码输出，对照提示式条件输入与调制式输入，在相同条件误差水平下比较闭环任务成功率。该设想不属于论文已验证结果；相关 EEG 工作尚未检索确认。