Spatial Forcing：视觉-语言-动作模型的隐式空间表征对齐

基于摘要分析。本文研究机器人视觉-语言-动作（VLA）模型因主要依赖 2D 预训练而缺乏空间理解的问题，提出 Spatial Forcing（SF）：将 VLA 的中间视觉嵌入与预训练 3D 基础模型产生的几何表征对齐，在不依赖显式 3D 输入或深度估计器的条件下增强动作所需的空间表征。 其核心思路是以表征对齐替代显式深度图或点云输入。作者认为，显式 3D 输入受到传感器噪声、硬件异构和数据集深度覆盖不足的制约，而从 2D 图像估计深度又受限于深度估计器性能。SF 将几何监督施加于中间层，但摘要未说明对齐损失、层位选择、特征维度匹配、3D 基础模型名称及冻结或联合训练策略，相关实现与推理阶段依赖尚未验证。 作者报告，在仿真与真实环境的机器人任务中，SF 优于所比较的 2D 与 3D VLA，并称达到最先进结果；作者还报告训练最高加速 3.8 倍及数据效率改善。摘要未给出任务、数据集、划分、基线配置、具体性能指标或加速的计时口径，因此这些结论只能保留在作者描述的评估范围内，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其跨领域方法价值在于利用教师模型的结构化表征约束目标模型中间特征，而非直接增加传感器输入。若用于 EEG，需先提出可由 EEG 观测支持的监督目标，并解决教师表征与 EEG 在时间、通道及语义上的对应关系；机器人视觉中的 3D 几何监督并不能直接迁移为神经信号监督。原方法所需配对数据与训练规模尚不明确，低信噪比、跨被试差异及小样本可能使对齐无效或引入负迁移。当前缺少具体 EEG 对应机制，不据此提出复现实验方案；相关 EEG 工作尚未检索确认。