CAP：面向词元化机器人策略的码本对齐预测

基于摘要分析。本文研究机器人动作词元化后，策略将 token 当作互不相关的类别索引、未利用 tokenizer 已学潜在结构的问题，提出 Codebook-Aligned Prediction（CAP）：直接复用 tokenizer 的码向量作为策略的类别原型，同时保持 tokenizer 和策略骨干的其余部分不变。 核心机制是把动作离散化阶段学到的码本结构带入下游预测，而不是从头学习一个与码本无关的分类器。摘要未给出原型匹配的计算形式、损失函数或训练细节，因此不能进一步判断码向量是否更新、如何归一化，以及该方法与其他原型分类方法的具体区别。 作者报告，在四类量化器、三个仿真基准和两个真实机器人任务上，CAP 相比标准 token 分类头持续提高任务成功率；这些比较固定 tokenizer，因此 tokenizer 的重建质量保持不变。作者进一步报告，收益不能由更高的 token accuracy 或仅由策略预测头变化解释，并将其归因于码本所保留的跨 token 潜在结构：预测错误在动作空间中更温和，策略骨干学到的表征也得到改善。摘要未提供基准名称、成功率数值、数据划分及误差分析细节，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 模型已将连续信号或潜在片段量化为离散 token，CAP 的可迁移点是复用码向量作为预测原型，以检验离散类别间的结构是否有助于表征学习。该假设依赖码本几何确实保留任务相关信息；机器人动作空间中的错误代价不等同于 EEG 分类错误。需改造 EEG tokenizer 与下游输出接口，并警惕低信噪比、跨被试和通道差异使码本主要编码噪声或个体特征，小数据也可能导致原型不稳定。一个小规模可证伪实验是：固定同一 EEG tokenizer、骨干及训练划分，对比独立分类头与码本原型头，在同一跨被试协议下分别检查 token accuracy 和下游任务指标，而不将两者混为一谈。已有 EEG 相关工作尚未检索确认。