SPARK：通过简单后训练将预训练知识适配于机器人控制

基于摘要分析。本文研究如何将通用视觉基础模型适配于机器人控制，提出后训练方法 SPARK，使视觉表征在保留预训练语义知识的同时，更关注时间变化和动作相关的场景结构。其主要研究对象是机器人视觉表征与控制，并非 EEG 或 BCI。 方法包含两项原则：一是 dynamics-aware abstraction，鼓励编码器提取紧凑特征，保留理解时间变化及动作相关场景结构所需的信息；二是 knowledge preservation，将 patch 级表征与原始基础模型对齐，以保留有用的预训练语义。该设计针对通用视觉预训练偏重全局语义、而机器人控制需要动态敏感表征之间的差异，也回应了机器人数据采集昂贵、规模有限及从头预训练计算负担较大的问题。具体损失形式、动态信息的监督来源、可训练模块及训练开销尚未验证。 作者报告，在多个机器人基准上，SPARK 相比未经该后训练适配的基础模型，提高了任务成功率与泛化表现，并将收益迁移至真实机器人操作。摘要未提供基准名称、数据划分、具体成功率、泛化设置或真实机器人实验规模，因此尚不能判断收益幅度与适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将其机制用于 EEG，可能借鉴的是“强化任务相关时间信息，同时约束预训练知识漂移”的适配思路，而不是直接复用视觉控制模型。该假设依赖可用的 EEG 预训练编码器、具有时间结构的数据及明确的下游监督；视觉 patch 对齐需改造为适合 EEG 时间片段或通道表征的约束。低信噪比、跨被试差异和通道配置变化可能使知识保留同时固化无关特征，小数据下动态目标也可能过拟合。一个可检验的小实验是在固定跨被试划分和相同标注预算下，对比冻结编码器、常规微调、仅动态目标、仅知识保留及两者联合，检验联合目标是否带来稳定收益。已有 EEG 相关工作尚未检索确认。