LEON：用于 World Action Models 的算子结构化转移

基于摘要分析。本文研究机器人操作中的 World Action Models（WAMs）如何建模动作驱动的潜在状态演化，提出 Latent Evolution Operator Network（LEON），以由受控机械演化推导的算子结构替代完全依赖数据隐式学习动力学结构的通用转移预测器。 机制上，作者从可观测动力学的共同有限维投影出发，得到关于物理控制呈仿射关系的共享算子族，并显式描述投影残差。LEON 将预训练视觉特征适配为学习得到的观测量，从 WAM 上下文学习潜在控制系数，再结合因子化算子演化与互补的加性更新。摘要未给出具体参数化、损失函数或训练细节，尚不能将加性更新直接等同于理论中的投影残差。 作者将 LEON 用于预测监督的策略学习和以未来条件驱动的动作生成，同时保持原有预测目标与策略接口。作者报告，在 LIBERO、LIBERO-Plus 和 RoboTwin 2.0 上，相对对应 WAM 基线及匹配的转移对照，平均成功率有所提高；摘要未提供具体数值、任务划分或统计不确定性。作者另报告，消融支持表征与转移的联合设计，受控系统诊断显示状态范围外推有所改善。实验协议、消融及统计信息尚未验证，外推诊断也不应直接视为真实机器人分布外泛化的充分证据。 平台推测（待验证）：其结构化潜在动力学可作为动作条件神经信号建模的候选思路，但原研究对象是机器人视觉与动作，而非 EEG 或 BCI。迁移假设依赖可对齐的状态—控制序列；需改造视觉特征适配与控制变量定义，低信噪比、未观测输入及跨被试差异可能破坏共享算子假设。可先在带有对齐控制记录的单一 EEG 数据中，以相同编码器和预测目标比较算子转移与通用转移的跨会话预测误差，仅检验动力学建模假设，不据此宣称 BCI 性能提升。已有 EEG 相关工作尚未检索确认。